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