Decision Optimization Python -Client-Beispiele

Zurück zur englischen Version der Dokumentation

Python-Client-Beispiele

Letzte Aktualisierung: 22. Nov. 2024

Decision Optimization Python -Client-Beispiele

Mit dem Python vonwatsonx.ai Runtime können Sie ein Decision Optimization bereitstellen, Aufträge erstellen und überwachen und Lösungen abrufen.

Um Ihr Modell einzusetzen, siehe Einsatz eines Decision Optimization Modells.

Weitere Informationen finden Sie in der Dokumentation zumwatsonx.ai Runtime Python Client.

Das Notizbuch " Python " Einsatz eines ' Decision Optimization -Modells, das über " IBM watsonx " Ressourcendrehscheibe verfügbar ist, veranschaulicht, wie Sie die folgenden Aufgaben durchführen können:

Installieren Sie die watsonx.ai Runtime Python Client API.
Erstellen Sie eine Clientinstanz.
Bereiten Sie Ihr Modellarchiv vor.
Laden Sie Ihr Modell hoch.
Erstellen Sie eine Bereitstellung.
Erstellen und überwachen Sie einen Job mit Inlinedaten für Ihr bereitgestelltes Modell.
Lösung anzeigen.

Siehe auch das folgende Beispiel Notebooks im Ordner jupyter der DO-Beispiele. Wählen Sie den entsprechenden Produkt-und Versionsunterordner aus.

Deploying a DO model with WML
RunDeployedModel
ExtendWMLSoftwareSpec

Das Beispiel " Deploying a DO model with WML zeigt Ihnen, wie Sie ein " Decision Optimization -Modell bereitstellen, Aufträge erstellen und überwachen und Lösungen mithilfe von " watsonx.ai Laufzeit ' Python Client abrufen können. Dieser Notizbuch verwendet das Diätbeispiel für das Decision Optimization -Modell und führt Sie durch die gesamte Prozedur, ohne Decision Optimization Benutzerschnittstelle für Experimentezu verwenden.

RunDeployedModel zeigt Ihnen, wie Sie Jobs ausführen und Lösungen aus einem vorhandenen bereitgestellten Modell abrufen. Dieses Notebook verwendet ein Modell, das für die Bereitstellung aus einem Decision Optimization Experiment UI -Szenario gespeichert wird.

Das ' ExtendWMLSoftwareSpec -Notizbuch zeigt Ihnen, wie Sie die Spezifikation der Decision Optimization Software mit der watsonx.ai Runtime erweitern können. Durch die Erweiterung der Softwarespezifikation können Sie Ihr eigenes pip-Paket verwenden, um angepassten Code hinzuzufügen, ihn in Ihrem Modell bereitzustellen und Jobs an ihn zu senden. Wenn Sie Ihre Paketerweiterung erstellen, muss der Name der komprimierten Datei mit dem Namen der Paketerweiterung übereinstimmen, einschließlich der Paketversionsnummer. Beispiel:

yourpackage-1.0.4.tar.gz
yourpackage-1.0.4.zip
yourproject-1.2.3-py33-none-any.whl

Daher zeigt der folgende Code für ein Paket mit dem Namen yourpackage-1.0.4.tgz, wie die Paketerweiterung erstellt wird. Sie müssen denselben Paketnamen und dieselbe Version im Feld NAME verwenden.

meta_prop_pkg_ext = {
    client.package_extensions.ConfigurationMetaNames.NAME: "yourpackage-1.0.4.tgz",
    client.package_extensions.ConfigurationMetaNames.DESCRIPTION: "Pkg extension for custom lib",
    client.package_extensions.ConfigurationMetaNames.TYPE: "pip_zip"
}

Sie können auch in den Beispielen mehrere Notebooks für die Bereitstellung verschiedener Modelle finden, z. B. CPLEX-, DOcplex-und OPL-Modelle mit unterschiedlichen Datentypen.