Translation not up to date
The translation of this page does not represent the latest version. For the latest updates, see the English version of the documentation.
Last updated: 15 Haz 2023
Çevrimiçi konuşlandırmalar olarak IBM Watson Machine Learning içinde konuşlandırdığınız modellerdeki dönüştürücüler, tahminler, işlevler, sınıflar ve tensör operasyonlarınızı tanımlayabilirsiniz.
Özel bileşenlerin tanımlanması ve kullanılması
Modellerinizde özel bileşenler kullanmak için, özel bileşenlerinizi bir Python dağıtım paketiiçine paketlemeniz gerekir.
Paket gereksinmeleri
- Paket tipi şöyle olmalıdır: kaynak dağıtımı (Wheel ve Egg tipi dağıtımlar desteklenmez)
- Paket dosyası biçimi şu olmalıdır:
.zip
- Özel bileşenlerinize ilişkin üçüncü kişi bağımlılıkları
pip
tarafından kurulmalı vesetuptools
kitaplığınınsetup
işlevinininstall_requires
bağımsız değişkenine geçirilmelidir.
Şu konuya bakın: Creating a source distribution
Özel paketinizi depolama
Eğitimli modelinizi Watson Machine Learning havuzunda sakladığınızda ek adımlar atmanız gerekir:
- Özel paketinizi Watson Machine Learning havuzu ' de saklayın ( Watson Machine Learning Python istemcisinden ya da
store libraries
Watson Machine Learning CLI komutundanruntimes.store_library
işlevini kullanın.) - Saklanmış özel paketinize gönderme yapan bir yürütme ortamı kaynak nesnesi yaratın ve Watson Machine Learning havuzunda yürütme ortamı kaynak nesnesini saklar (
runtimes.store
işlevini kullanın ya dastore runtimes
komutunu kullanın). - When you store your trained model in the Watson Machine Learning repository, reference your stored runtime resource in the meta veri that is passed to the
store_model
function (or thestore
command.)
Desteklenen çerçeveler
Bu çerçeve çalışmaları özel bileşenleri destekler:
- Scikit-öğren
- XGBoost
- Tensorflow
- Python İşlevleri
- Python Komut Dosyaları
- Decision Optimization
Çerçeveye göre listelenmiş destek ayrıntıları için şu konuya bakın: Supported frameworks