Torna alla versione inglese della documentazioneRequisiti per l'utilizzo di componenti personalizzati con i modelli ML
Requisiti per l'utilizzo di componenti personalizzati con i modelli ML
Ultimo aggiornamento: 28 nov 2024
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'argomentoinstall_requires
della funzionesetup
della libreriasetuptools
.
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