Přidání modelu pomocí uživatelského rozhraní

Chcete-li importovat model pomocí uživatelského rozhraní, postupujte takto:

1. Na kartě Aktiva vašeho prostoru v produktu Watson Machine Learningklepněte na volbu Nové aktivum.
2. Přejděte na volbu Nástroje pro přístup k datům a vyberte volbu Model.
3. Vyberte soubor modelu, který chcete importovat, a klepněte na tlačítko Přidat.

Mechanismus importu automaticky vybere odpovídající typ modelu a specifikaci softwaru na základě řetězce verze v souboru .xml .

Import objektu modelu

Chcete-li importovat modelový objekt, postupujte takto:

1. Je-li váš model umístěn ve vzdáleném umístění, postupujte podle pokynů v části Stažení modelu uloženého ve vzdáleném umístění.
2. Uložte modelový objekt do úložiště Watson Machine Learning . Další informace viz Uložení modelu do úložiště Watson Machine Learning.

Import modelu pomocí cesty k souboru

Chcete-li importovat model pomocí cesty k souboru, postupujte takto:

1. Pokud je váš model umístěn ve vzdáleném umístění, postupujte podle pokynů Stažení modelu uloženého ve vzdáleném umístění a stáhněte jej.

2. Pokud je váš model umístěn lokálně, umístěte jej do specifického adresáře:

     !cp <saved model> <target directory>
     !cd <target directory>
   

3. Pro modely Scikit-learn, XGBoost, Tensorflowa PyTorch , pokud stažený soubor není archiv .tar.gz , vytvořte archiv:

     !tar -zcvf <saved model>.tar.gz <saved model>
   

   Soubor modelu musí být ve složce nejvyšší úrovně adresáře, například:

   assets/
   <saved model>
   variables/
   variables/variables.data-00000-of-00001
   variables/variables.index
   

4. K uložení souboru modelu do úložiště Watson Machine Learning použijte cestu k uloženému souboru. Další informace viz Uložení modelu do úložiště Watson Machine Learning.

Import modelu pomocí cesty k adresáři

Chcete-li importovat model pomocí cesty k adresáři, postupujte takto:

1. Pokud je váš model umístěn ve vzdáleném umístění, prohlédněte si téma Stažení modelu uloženého ve vzdáleném umístění.

2. Pokud je váš model umístěn lokálně, umístěte jej do specifického adresáře:

   !cp <saved model> <target directory>
   !cd <target directory>
   

   V případě modelů scikit-learn, XGBoost, Tensorflowa PyTorch musí být soubor modelu ve složce nejvyšší úrovně adresáře, například:

   assets/
   <saved model>
   variables/
   variables/variables.data-00000-of-00001
   variables/variables.index
   

3. Cestu k adresáři použijte k uložení souboru modelu do úložiště Watson Machine Learning . Další informace viz Uložení modelu do úložiště Watson Machine Learning.

Stažení modelu uloženého ve vzdáleném umístění

Chcete-li stáhnout model ze vzdáleného umístění, postupujte podle tohoto ukázkového kódu:

import os
from wget import download

target_dir = '<target directory name>'
if not os.path.isdir(target_dir):
    os.mkdir(target_dir)
filename = os.path.join(target_dir, '<model name>')
if not os.path.isfile(filename):
    filename = download('<url to model>', out = target_dir)

Modely uložené ve formátu PMML

• Jediným dostupným typem implementace pro modely, které jsou importovány z knihovny PMML, je implementace online.
• Soubor PMML musí mít příponu .xml .
• Modely PMML nelze použít v toku proudu SPSS .
• Soubor PMML nesmí obsahovat prolog. V závislosti na knihovně, kterou používáte při ukládání modelu, může být standardně přidán prolog na začátek souboru. Pokud například váš soubor obsahuje řetězec prolog, jako např. spark-mllib-lr-model-pmml.xml, odeberte řetězec před importem souboru PMML do prostoru implementace.

V závislosti na knihovně, kterou používáte při ukládání modelu, může být prolog standardně přidán na začátek souboru, jako v tomto příkladu:

::::::::::::::
spark-mllib-lr-model-pmml.xml
::::::::::::::

Musíte odebrat tento prolog, než budete moci importovat soubor PMML do Watson Machine Learning.

Spark MLlib modely

• K dispozici jsou pouze klasifikační a regresní modely.
• Vlastní transformátory, uživatelské funkce a třídy nejsou k dispozici.

Scikit-výukové modely

• .pkl a .pickle jsou dostupné formáty importu.
• Chcete-li serializovat nebo nakládat s modelem, použijte balík joblib .
• K dispozici jsou pouze klasifikační a regresní modely.
• Vstupní typ datového rámce Pandas pro rozhraní API predict() není k dispozici.
• Jediným dostupným typem implementace pro modely scikit-learn je implementace online.

XGBoost modely

• .pkl a .pickle jsou dostupné formáty importu.
• Chcete-li serializovat nebo nakládat s modelem, použijte balík joblib .
• K dispozici jsou pouze klasifikační a regresní modely.
• Vstupní typ datového rámce Pandas pro rozhraní API predict() není k dispozici.
• Jediným dostupným typem implementace pro modely XGBoost je implementace online.

Modely TensorFlow

• .pb, .h5a .hdf5 jsou dostupné formáty importu.
• Chcete-li uložit nebo serializovat model TensorFlow , použijte metodu tf.saved_model.save() .
• tf.estimator není k dispozici.
• Jediné dostupné typy implementace pro modely TensorFlow jsou: implementace online a dávková implementace.

Modely PyTorch

• Jediným dostupným typem implementace pro modely PyTorch je implementace online.

• Aby byl model Pytorch importovatelný do Watson Machine Learning, musí být dříve exportován do formátu .onnx . Viz tento kód.

  torch.onnx.export(<model object>, <prediction/training input data>, "<serialized model>.onnx", verbose=True, input_names=<input tensor names>, output_names=<output tensor names>)