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: 06. 7. 2023
Můžete definovat své vlastní transformátory, odhadce, funkce, třídy a tenzorové operace v modelech, které implementujete v produktu IBM Watson Machine Learning jako online nasazení.
Definování a použití vlastních komponent
Chcete-li ve svých modelech používat vlastní komponenty, musíte zabalit vlastní komponenty do distribučního balíku Python.
Požadavky balíku
- Typ balíku musí být: source distribution (distribuce typu Wheel a Egg nejsou podporovány)
- Formát souboru balíku musí být:
.zip
- Veškeré závislosti třetích stran pro vaše vlastní komponenty musí být instalovatelné pomocí produktu
pip
a musí být předány argumentuinstall_requires
funkcesetup
knihovnysetuptools
.
Viz téma: Vytvoření zdrojové distribuce
Uložení vlastního balíku
Při ukládání školeného modelu do úložiště produktu Watson Machine Learning musíte provést další kroky:
- Uložte svůj vlastní balík do úložiště produktu Watson Machine Learning (použijte funkci produktu
runtimes.store_library
z klienta Watson Machine Learning Python , nebo pomocí příkazu rozhraní CLI produktustore libraries
Watson Machine Learning ). - Vytvořte objekt prostředku běhového prostředí, který odkazuje na uložený vlastní balík, a poté uložte objekt prostředku běhového prostředí do úložiště Watson Machine Learning (použijte funkci
runtimes.store
nebo příkazstore runtimes
). - Při ukládání vyškoleného modelu do úložiště produktu Watson Machine Learning odkazujte na uložený prostředek běhového prostředí v metadatech , která se předává funkci
store_model
(nebo příkazustore
).
Podporované rámce
Tyto rámce podporují vlastní komponenty:
- Scikit-učit se
- XGBoost
- Tensorflow
- Funkce Python
- Skripty Python
- Decision Optimization
Podrobnosti o podpoře, které jsou uvedeny podle rámce, najdete v tématu: Podporované rámce
Nadřízené téma: Přizpůsobení běhových prostředí implementace