使用 UI 添加模型

要使用 UI 导入模型:

1. 在 "watsonx.ai运行时空间的 "资产选项卡中，点击 "进口资产。
2. 转至 本地文件 ，然后选择 模型。
3. 选择要导入的模型文件，然后单击 导入。

导入机制根据 .xml 文件中的版本字符串自动选择匹配的模型类型和软件规范。

导入模型对象

要导入模型对象:

1. 如果您的模型位于远程位置，请遵循 下载存储在远程位置的模型。
2. 将模型对象存储在watsonx.aiRuntime 资源库中。 更多信息，请参阅将模型存储在watsonx.aiRuntime 资源库中。

使用文件路径导入模型

要使用文件路径导入模型，请执行以下操作:

1. 如果您的模型位于远程位置，请遵循 下载存储在远程位置的模型 以下载该模型。

2. 如果模型位于本地，请将其放置在特定目录中：

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

3. 对于 scikit-learn、XGBoost、Tensorflow 和 PyTorch 模型，如果下载的文件不是 .tar.gz 存档，请进行归档：

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

   模型文件必须位于目录的顶级文件夹中，例如:

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

4. 使用保存文件的路径将模型文件存储到watsonx.aiRuntime 资源库中。 更多信息，请参阅将模型存储在watsonx.aiRuntime 资源库中。

使用目录路径导入模型

要使用目录路径导入模型，请执行以下操作:

1. 如果模型位于远程位置，请参阅下载存储在远程位置中的模型。

2. 如果模型位于本地，请将其放置在特定目录中：

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

   对于 scikit-learn， XGBoost， Tensorflow和 PyTorch 模型，模型文件必须位于目录的顶级文件夹中，例如:

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

3. 使用目录路径将模型文件存储在watsonx.aiRuntime 资源库中。 更多信息，请参阅将模型存储在watsonx.aiRuntime 资源库中。

下载存储在远程位置中的模型

请按照此样本代码从远程位置下载模型：

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)

以 PMML 格式保存的模型

• 从 PMML 导入的模型的唯一可用部署类型是联机部署。
• PMML 文件必须具有 .xml 文件扩展名。
• PMML 模型无法用于 SPSS 流式流程。
• PMML 文件不得包含序言。 根据您在保存模型时使用的库，缺省情况下可能会将序言添加到文件的开头。 例如，如果文件包含 prolog 字符串（例如 spark-mllib-lr-model-pmml.xml），请在将 PMML 文件导入到部署空间之前移除该字符串。

根据您在保存模型时使用的库，缺省情况下可能会将序言添加到文件的开头，如以下示例中所示:

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

在将 PMML 文件导入watsonx.aiRuntime 之前，必须先删除该序言。

Spark MLlib 模型

• 只有分类和回归模型可用。
• 定制变换器，用户定义的函数和类不可用。

Scikit-learn 模型

• .pkl 和 .pickle 是可用的导入格式。
• 要序列化或选取模型，请使用 joblib 包。
• 只有分类和回归模型可用。
• predict() API 的 pandas 数据帧输入类型不可用。
• scikit-learn 模型的唯一可用部署类型是联机部署。

XGBoost 模型

• .pkl 和 .pickle 是可用的导入格式。
• 要序列化或选取模型，请使用 joblib 包。
• 只有分类和回归模型可用。
• predict() API 的 pandas 数据帧输入类型不可用。
• XGBoost 模型的唯一可用部署类型是联机部署。

TensorFlow 模型

• .pb， .h5和 .hdf5 是可用的导入格式。
• 要保存或序列化 TensorFlow 模型，请使用 tf.saved_model.save() 方法。
• tf.estimator 不可用。
• TensorFlow 模型的唯一可用部署类型为: 联机部署和批处理部署。

PyTorch 模型

• PyTorch 模型的唯一可用部署类型是联机部署。

• 要将 Pytorch 模型导入watsonx.aiRuntime，必须先将其导出为 ".onnx格式。 请参阅此代码。

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