0 / 0
Torna alla versione inglese della documentazione
Requisiti per l'utilizzo di componenti personalizzati con i modelli ML
Ultimo aggiornamento: 28 nov 2024
Requisiti per l'utilizzo di componenti personalizzati con i modelli ML

È possibile definire i propri trasformatori, stimatori, funzioni, classi e operazioni tensoriali nei modelli che si distribuiscono in IBM watsonx.ai Runtime come distribuzioni online.

Definizione e utilizzo di componenti personalizzati

Per utilizzare i componenti personalizzati con i propri modelli, è necessario inserire i componenti personalizzati in un pacchetto di distribuzionePython.

Requisiti del pacchetto

  • Il tipo di pacchetto deve essere: distribuzione sorgente (le distribuzioni di tipo Wheel e Egg non sono supportate)
  • Il formato del file di pacchetto deve essere: .zip
  • Eventuali dipendenze di terze parti per i tuoi componenti personalizzati devono essere installabili da pip e devono essere passate all'argomento install_requires della funzione setup della libreria setuptools .

Fare riferimento a: Creazione di una distribuzione sorgente

Memorizzazione del pacchetto personalizzato

È necessario adottare ulteriori accorgimenti quando si memorizza il modello addestrato nel repository watsonx.ai Runtime:

  • Memorizzare il pacchetto personalizzato nel repository diwatsonx.ai Runtime (utilizzare la funzione 'runtimes.store_library del client Python watsonx.ai o il comando 'store libraries watsonx.ai Runtime CLI)
  • Creare un oggetto risorsa di runtime che faccia riferimento al pacchetto personalizzato memorizzato, quindi memorizzare l'oggetto risorsa di runtime nel repository watsonx.ai Runtime (utilizzare la funzione 'runtimes.store o il comando 'store runtimes )
  • Quando si memorizza il modello addestrato nel repository watsonx.ai Runtime, fare riferimento alla risorsa runtime memorizzata nei metadati passati alla funzione 'store_model (o al comando 'store )

Framework supportati

Questi framework supportano componenti personalizzati:

  • Scikit-learn
  • XGBoost
  • Tensorflow
  • Funzioni Python
  • Script Python
  • Decision Optimization

Per ulteriori informazioni, vedi Framework supportati

 

Argomento principale Personalizzazione dei runtime di distribuzione

Ricerca e risposta AI generativa
Queste risposte sono generate da un modello di lingua di grandi dimensioni in watsonx.ai basato sul contenuto della documentazione del prodotto. Ulteriori informazioni