Rubrique traduite automatiquement Vous pouvez passer à la version anglaiseVoir la clause de protection
Pour obtenir la version la plus précise et la plus à jour de cette documentation, voir la version anglaise (originale). IBM n'est pas responsable des dommages ou pertes résultant de l'utilisation du contenu traduit automatiquement (machine).
Création du modèle initial
Dernière mise à jour : 04 oct. 2024
Création du modèle initial
Les parties peuvent créer et sauvegarder le modèle initial avant l'entraînement en suivant un ensemble d'exemples.
Prenez en compte les exemples de configuration qui correspondent à votre type de modèle.
Sauvegardez le modèle Tensorflow
Copy link to section
import tensorflow as tf
from tensorflow.keras import *
from tensorflow.keras.layers import *
import numpy as np
import os
classMyModel(Model):
def__init__(self):
super(MyModel, self).__init__()
self.conv1 = Conv2D(32, 3, activation='relu')
self.flatten = Flatten()
self.d1 = Dense(128, activation='relu')
self.d2 = Dense(10)
defcall(self, x):
x = self.conv1(x)
x = self.flatten(x)
x = self.d1(x)
return self.d2(x)
# Create an instance of the model
model = MyModel()
loss_object = tf.keras.losses.SparseCategoricalCrossentropy(
from_logits=True)
optimizer = tf.keras.optimizers.Adam()
acc = tf.keras.metrics.SparseCategoricalAccuracy(name='accuracy')
model.compile(optimizer=optimizer, loss=loss_object, metrics=[acc])
img_rows, img_cols = 28, 28
input_shape = (None, img_rows, img_cols, 1)
model.compute_output_shape(input_shape=input_shape)
dir = "./model_architecture"ifnot os.path.exists(dir):
os.makedirs(dir)
model.save(dir)
Copy to clipboardCopié dans le presse-papiersShow more
Si vous choisissez Tensorflow comme infrastructure de modèle, vous devez enregistrer un modèle Keras au format SavedModel . Un modèle Keras peut être sauvegardé au format SavedModel à l'aide de tf.keras.model.save().
Pour compresser vos fichiers, exécutez la commande zip -r mymodel.zip model_architecture. Le contenu de votre fichier .zip doit contenir:
# SKLearn classificationfrom sklearn.linear_model import SGDClassifier
import numpy as np
import joblib
model = SGDClassifier(loss='log', penalty='l2')
model.classes_ = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
# You must specify the class label for IBM Federated Learning using model.classes. Class labels must be contained in a numpy array.# In the example, there are 10 classes.
joblib.dump(model, "./model_architecture.pickle")
Copy to clipboardCopié dans le presse-papiers
Régression SKLearn
Copy link to section
# Sklearn regressionfrom sklearn.linear_model import SGDRegressor
import pickle
model = SGDRegressor(loss='huber', penalty='l2')
withopen("./model_architecture.pickle", 'wb') as f:
pickle.dump(model, f)
Vous devez créer un fichier .zip contenant votre modèle au format pickle en exécutant la commande zip mymodel.zip model_architecture.pickle. Le contenu de votre fichier .zip doit contenir:
Copy to clipboardCopié dans le presse-papiersShow more
Vous devez créer un fichier .zip contenant votre modèle au format pickle. Exécutez la commande zip mymodel.zip model_architecture.pt. Le contenu de votre fichier .zip doit contenir: