UI を使用したモデルの追加

UI を使用してモデルをインポートするには、以下のようにします。

1. watsonx.aiRuntime のスペースのAssetsタブで、Import assets をクリックします。
2. 「ローカル・ファイル」 に移動し、 「モデル」を選択します。
3. インポートするモデル・ファイルを選択し、 「インポート」をクリックします。

インポート・メカニズムは、 .xml ファイル内のバージョン・ストリングに基づいて、一致するモデル・タイプとソフトウェア仕様を自動的に選択します。

モデル・オブジェクトのインポート

モデル・オブジェクトをインポートするには:

1. モデルがリモート・ロケーションにある場合は、 リモート・ロケーションに保管されているモデルのダウンロードに従ってください。
2. モデルオブジェクトをwatsonx.aiRuntime リポジトリに保存します。 詳しくは、 watsonx.aiRuntime リポジトリにモデルを保存するをご覧ください。

ファイルへのパスを使用したモデルのインポート

ファイルへのパスを使用してモデルをインポートするには、以下のようにします。

1. モデルがリモート・ロケーションにある場合は、 リモート・ロケーションに保管されているモデルのダウンロード に従ってダウンロードします。

2. モデルがローカルに配置されている場合は、特定のディレクトリーに置いてください：

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

3. scikit-learn、 XGBoost、 Tensorflow、および PyTorch の各モデルでは、ダウンロードしたファイルが .tar.gz アーカイブではない場合、アーカイブを作成します：

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

   モデル・ファイルは、ディレクトリーの最上位フォルダーになければなりません。以下に例を示します。

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

4. 保存したファイルへのパスを使用して、モデルファイルをwatsonx.aiRuntime リポジトリに保存します。 詳しくは、 watsonx.aiRuntime リポジトリにモデルを保存するをご覧ください。

ディレクトリーへのパスを使用したモデルのインポート

ディレクトリーへのパスを使用してモデルをインポートするには、以下のようにします。

1. モデルがリモート・ロケーションにある場合は、 リモート・ロケーションに保存されているモデルのダウンロードを参照してください。

2. モデルがローカルに配置されている場合は、特定のディレクトリーに置いてください：

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

   scikit-learn、 XGBoost、 Tensorflow、および PyTorch モデルの場合、モデル・ファイルはディレクトリーの最上位フォルダーになければなりません。以下に例を示します。

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

3. モデルファイルをwatsonx.aiRuntime リポジトリに保存するには、ディレクトリパスを使用します。 詳しくは、 watsonx.aiRuntime リポジトリにモデルを保存するをご覧ください。

リモート・ロケーションに保存されているモデルのダウンロード

以下のサンプル・コードに従って、リモート・ロケーションからモデルをダウンロードします：

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)

PMML 形式で保存されたモデル

• PMML からインポートされるモデルに使用可能なデプロイメント・タイプは、オンライン・デプロイメントのみです。
• PMML ファイルのファイル拡張子は .xml でなければなりません。
• PMML モデルを SPSS ストリーム・フローで使用することはできません。
• PMML ファイルにはプロローグを含めることはできません。 モデルの保存時に使用しているライブラリーによっては、デフォルトでプロローグがファイルの先頭に追加される場合があります。 例えば、ファイルに spark-mllib-lr-model-pmml.xmlなどのプロローグ・ストリングが含まれている場合は、PMML ファイルをデプロイメント・スペースにインポートする前に、そのストリングを削除してください。

モデルの保存時に使用しているライブラリーによっては、以下の例のように、デフォルトでプロローグがファイルの先頭に追加される場合があります。

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

PMML ファイルをwatsonx.aiRuntime にインポートする前に、このプロログを削除する必要があります。

Spark MLlib モデル

• 使用できるのは、分類モデルと回帰モデルのみです。
• カスタム変換プログラム、ユーザー定義関数、およびクラスは使用できません。

Scikit-learn モデル

• .pkl および .pickle は、使用可能なインポート形式です。
• モデルをシリアライズまたはピックするには、 joblib パッケージを使用します。
• 使用できるのは、分類モデルと回帰モデルのみです。
• predict() API の Pandas データ・フレーム入力タイプは使用できません。
• scikit-learn モデルに使用できるデプロイメント・タイプは、オンライン・デプロイメントのみです。

XGBoost モデル

• .pkl および .pickle は、使用可能なインポート形式です。
• モデルをシリアライズまたはピックするには、 joblib パッケージを使用します。
• 使用できるのは、分類モデルと回帰モデルのみです。
• predict() API の Pandas データ・フレーム入力タイプは使用できません。
• XGBoost モデルで使用可能なデプロイメント・タイプは、オンライン・デプロイメントのみです。

TensorFlow モデル

• .pb、 .h5、および .hdf5 は、使用可能なインポート形式です。
• TensorFlow モデルを保存またはシリアライズするには、 tf.saved_model.save() メソッドを使用します。
• tf.estimator は使用できません。
• TensorFlow モデルで使用可能なデプロイメント・タイプは、オンライン・デプロイメントとバッチ・デプロイメントのみです。

PyTorch モデル

• PyTorch モデルに使用可能なデプロイメント・タイプは、オンライン・デプロイメントのみです。

• Pytorch モデルをwatsonx.aiRuntime にインポートするには、事前に '.onnxフォーマットにエクスポートしておく必要があります。 このコードを参照してください。

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