0 / 0
Zurück zur englischen Version der Dokumentation
Anforderungen für die Verwendung benutzerdefinierter Komponenten mit ML-Modellen
Letzte Aktualisierung: 28. Nov. 2024
Anforderungen für die Verwendung benutzerdefinierter Komponenten mit ML-Modellen

Sie können Ihre eigenen Transformatoren, Schätzer, Funktionen, Klassen und Tensoroperationen in Modellen definieren, die Sie in IBM watsonx.ai Runtime als Online-Deployments einsetzen.

Angepasste Komponenten definieren und verwenden

Um benutzerdefinierte Komponenten mit Ihren Modellen zu verwenden, müssen Sie Ihre benutzerdefinierten Komponenten in ein Python packen.

Paketvoraussetzungen

  • Der Pakettyp muss sein: Quelldistribution (Distributionen vom Typ Wheel und Egg werden nicht unterstützt)
  • Erforderliches Paketdateiformat: .zip
  • Alle Abhängigkeiten von Drittanbietern für Ihre benutzerdefinierten Komponenten müssen von " pip installiert werden können und müssen an das Argument " install_requires der Funktion " setup der Bibliothek " setuptools übergeben werden.

Siehe dazu: Erstellen einer Quelldistribution

Angepasstes Paket speichern

Sie müssen zusätzliche Schritte unternehmen, wenn Sie Ihr trainiertes Modell im watsonx.ai Runtime Repository speichern:

  • Speichern Sie Ihr benutzerdefiniertes Paket im watsonx.ai Runtime Repository (verwenden Sie die Funktion ' runtimes.store_library aus dem watsonx.ai Python oder den ' store libraries watsonx.ai Runtime CLI-Befehl)
  • Erstellen Sie ein Laufzeit-Ressourcenobjekt, das auf Ihr gespeichertes benutzerdefiniertes Paket verweist, und speichern Sie das Laufzeit-Ressourcenobjekt im watsonx.ai Runtime Repository (verwenden Sie die Funktion ' runtimes.store oder den Befehl ' store runtimes )
  • Wenn Sie Ihr trainiertes Modell im watsonx.ai Runtime Repository speichern, referenzieren Sie Ihre gespeicherte Laufzeitressource in den Metadaten, die an die Funktion ' store_model (oder den Befehl ' store ) übergeben werden

Unterstützte Frameworks

Diese Frameworks unterstützen benutzerdefinierte Komponenten:

  • Scikit-learn
  • XGBoost
  • Tensorflow
  • Python-Funktionen
  • Python-Scripts
  • Decision Optimization

Weitere Informationen finden Sie unter Unterstützte Frameworks

 

Übergeordnetes Thema: Laufzeiten für die Bereitstellung anpassen

Generative KI-Suche und -Antwort
Diese Antworten werden von einem großen Sprachmodell in watsonx.ai basierend auf dem Inhalt der Produktdokumentation generiert. Weitere Informationen