0 / 0
Go back to the English version of the documentation
Wymagania dotyczące używania komponentów niestandardowych w modelach ML
Last updated: 06 lip 2023
Wymagania dotyczące używania komponentów niestandardowych w modelach ML

Użytkownik może zdefiniować własne transformatory, estymatory, funkcje, klasy i operacje tensor w modelach wdrażanych w produkcie IBM Watson Machine Learning jako wdrożeń w trybie z połączeniem.

Definiowanie i używanie komponentów niestandardowych

Aby używać niestandardowych komponentów w modelach, należy spakować komponenty niestandardowe w pakiecie dystrybucyjnym Python.

Wymagania dotyczące pakietu

  • Typ pakietu musi być następujący: dystrybucja źródłowa (dystrybucje typu Wheel i Egg nie są obsługiwane)
  • Format pliku pakietu musi być następujący: .zip
  • Wszystkie zależności innych firm dla komponentów niestandardowych muszą być instalowane przez produkt pip i muszą być przekazywane do argumentu install_requires funkcji setup biblioteki setuptools .

Więcej informacji na ten temat zawiera sekcja Tworzenie dystrybucji źródłowej

Zapisywanie pakietu niestandardowego

Podczas przechowywania wyszkolonego modelu w repozytorium Watson Machine Learning należy wykonać dodatkowe kroki:

  • Pakiet niestandardowy należy przechowywać w repozytorium Watson Machine Learning (należy używać funkcji runtimes.store_library z poziomu klienta Watson Machine Learning Python lub komendy interfejsu CLI produktu store libraries Watson Machine Learning ).
  • Utwórz obiekt zasobu wykonawczego, który odwołuje się do zapisanego pakietu niestandardowego, a następnie zapisz obiekt zasobu wykonawczego w repozytorium Watson Machine Learning (użyj funkcji runtimes.store lub komendy store runtimes ).
  • Podczas przechowywania wyszkolonego modelu w repozytorium Watson Machine Learning należy odwołać się do przechowywanego zasobu wykonawczego w metadanych , które są przekazywane do funkcji store_model (lub do komendy store ).

Obsługiwane środowiska

Te środowiska obsługują komponenty niestandardowe:

  • Scikit-nauka
  • XGBoost
  • Tensorflow
  • Funkcje Python
  • Skrypty w języku Python
  • Decision Optimization

Szczegółowe informacje na temat wsparcia, wymienione w ramach struktury, można znaleźć w sekcji: Obsługiwane środowiska

 

Temat nadrzędny: Dostosowywanie środowisk wykonawczych wdrażania

Generative AI search and answer
These answers are generated by a large language model in watsonx.ai based on content from the product documentation. Learn more