초기 모델 작성 | IBM watsonx

영어 버전 문서로 돌아가기

초기 모델 작성

마지막 업데이트 날짜: 2024년 10월 04일

초기 모델 작성

당사자는 예제 세트를 따라 훈련하기 전에 초기 모델을 작성하고 저장할 수 있습니다.

Tensorflow 모델 저장
Scikit-learn 모델 저장
Py횃불 모델 저장

모델 유형과 일치하는 구성 예제를 고려하십시오.

Tensorflow 모델 저장

import tensorflow as tf
from tensorflow.keras import *
from tensorflow.keras.layers import *
import numpy as np
import os

class MyModel(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)

    def call(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"
if not os.path.exists(dir):
    os.makedirs(dir)

model.save(dir)

Tensorflow 를 모델 프레임워크로 선택하는 경우 Keras 모델을 SavedModel 형식으로 저장해야 합니다. Keras 모델은 tf.keras.model.save()를 사용하여 SavedModel 형식으로 저장할 수 있습니다.

파일을 압축하려면 zip -r mymodel.zip model_architecture명령을 실행하십시오. .zip 파일의 컨텐츠에는 다음이 포함되어야 합니다.

mymodel.zip
└── model_architecture
    ├── assets
    ├── keras_metadata.pb
    ├── saved_model.pb
    └── variables
        ├── variables.data-00000-of-00001
        └── variables.index

SKLearn 분류

# SKLearn classification

from 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")

SKLearn 회귀

# Sklearn regression

from sklearn.linear_model import SGDRegressor
import pickle


model = SGDRegressor(loss='huber', penalty='l2')

with open("./model_architecture.pickle", 'wb') as f:
    pickle.dump(model, f)

SKLearn K-평균

# SKLearn Kmeans
from sklearn.cluster import KMeans
import joblib

model = KMeans()
joblib.dump(model, "./model_architecture.pickle")

zip mymodel.zip model_architecture.pickle명령을 실행하여 피클 형식으로 모델을 포함하는 .zip 파일을 작성해야 합니다. .zip 파일의 컨텐츠에는 다음이 포함되어야 합니다.

mymodel.zip
└── model_architecture.pickle

PyTorch 모델 저장

import torch
import torch.nn as nn

model = nn.Sequential(
    nn.Flatten(start_dim=1, end_dim=-1),
    nn.Linear(in_features=784, out_features=256, bias=True),
    nn.ReLU(),
    nn.Linear(in_features=256, out_features=256, bias=True),
    nn.ReLU(),
    nn.Linear(in_features=256, out_features=256, bias=True),
    nn.ReLU(),
    nn.Linear(in_features=256, out_features=100, bias=True),
    nn.ReLU(),
    nn.Linear(in_features=100, out_features=50, bias=True),
    nn.ReLU(),
    nn.Linear(in_features=50, out_features=10, bias=True),
    nn.LogSoftmax(dim=1),
).double()

torch.save(model, "./model_architecture.pt")

피클 형식으로 모델을 포함하는 .zip 파일을 작성해야 합니다. zip mymodel.zip model_architecture.pt명령을 실행하십시오. .zip 파일의 컨텐츠는 다음을 포함해야 합니다.

mymodel.zip
└── model_architecture.pt

상위 주제: 연합 학습 실험 작성