Translation not up to date
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 argumentuinstall_requires
funkcjisetup
bibliotekisetuptools
.
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 produktustore 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 komendystore 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 komendystore
).
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