Modell über die Benutzerschnittstelle hinzufügen

Gehen Sie wie folgt vor, um ein Modell über die Benutzerschnittstelle zu importieren:

1. Klicken Sie auf der Registerkarte Assets Ihres Bereichs in watsonx.ai Runtime auf Assets importieren.
2. Wählen Sie Local file und dann Modellaus.
3. Wählen Sie die Modelldatei aus, die Sie importieren möchten, und klicken Sie auf Importieren.

Der Importmechanismus wählt automatisch einen übereinstimmenden Modelltyp und eine übereinstimmende Softwarespezifikation basierend auf der Versionszeichenfolge in der Datei .xml aus.

Modellobjekt importieren

So importieren Sie ein Modellobjekt:

1. Wenn sich Ihr Modell an einem fernen Standort befindet, befolgen Sie die Anweisungen unter Modell herunterladen, das an einem fernen Standort gespeichert ist.
2. Speichern Sie das Modellobjekt in Ihrem watsonx.ai Runtime Repository. Weitere Informationen finden Sie unter Speichern des Modells im watsonx.ai Runtime Repository.

Modell mithilfe eines Pfads zu einer Datei importieren

Gehen Sie wie folgt vor, um ein Modell mithilfe eines Pfads zu einer Datei zu importieren:

1. Wenn sich Ihr Modell an einem fernen Standort befindet, befolgen Sie die Anweisungen unter Modell herunterladen, das an einem fernen Standort gespeichert ist , um es herunterzuladen.

2. Wenn Ihr Modell lokal gespeichert ist, platzieren Sie es in einem bestimmten Verzeichnis:

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

3. Erstellen Sie für scikit-learn-, XGBoost-, Tensorflow- und PyTorch-Modelle ein Archiv, wenn die heruntergeladene Datei kein .tar.gz-Archiv ist:

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

   Die Modelldatei muss sich im Ordner der höchsten Ebene des Verzeichnisses befinden. Beispiel:

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

4. Verwenden Sie den Pfad zur gespeicherten Datei, um die Modelldatei in Ihrem watsonx.ai Runtime Repository zu speichern. Weitere Informationen finden Sie unter Speichern des Modells im watsonx.ai Runtime Repository.

Modell unter Verwendung eines Pfads zu einem Verzeichnis importieren

Gehen Sie wie folgt vor, um ein Modell mithilfe eines Pfads zu einem Verzeichnis zu importieren:

1. Wenn sich Ihr Modell an einem fernen Standort befindet, folgen Sie den Anweisungen zum Herunterladen eines Modells, das an einem fernen Standort gespeichert ist.

2. Wenn Ihr Modell lokal gespeichert ist, platzieren Sie es in einem bestimmten Verzeichnis:

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

   Für scikit-learn-, XGBoost-, Tensorflow-und PyTorch -Modelle muss sich die Modelldatei im Ordner der höchsten Ebene des Verzeichnisses befinden. Beispiel:

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

3. Verwenden Sie den Verzeichnispfad, um die Modelldatei in Ihrem watsonx.ai Runtime Repository zu speichern. Weitere Informationen finden Sie unter Speichern des Modells im watsonx.ai Runtime Repository.

Modell herunterladen, das an einem fernen Standort gespeichert ist

Führen Sie den folgenden Beispielcode aus, um Ihr Modell von einem fernen Standort herunterzuladen:

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)

Im PMML-Format gespeicherte Modelle

• Der einzige verfügbare Bereitstellungstyp für Modelle, die aus PMML importiert werden, ist die Onlinebereitstellung.
• Die PMML-Datei muss die Dateierweiterung .xml haben.
• PMML-Modelle können in einem SPSS-Datenstromablauf nicht verwendet werden.
• Die PMML-Datei darf keinen Prolog enthalten. Abhängig von der Bibliothek, die Sie beim Speichern Ihres Modells verwenden, wird möglicherweise standardmäßig ein Prolog am Anfang der Datei hinzugefügt. Wenn Ihre Datei beispielsweise eine Prologzeichenfolge wie spark-mllib-lr-model-pmml.xml enthält, entfernen Sie die Zeichenfolge, bevor Sie die PMML-Datei in den Bereitstellungsbereich importieren.

Abhängig von der Bibliothek, die Sie verwenden, wenn Sie Ihr Modell speichern, kann ein Prolog standardmäßig am Anfang der Datei hinzugefügt werden. Beispiel:

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

Sie müssen diesen Prolog entfernen, bevor Sie die PMML-Datei in watsonx.ai Runtime importieren können.

Spark MLlib-Modelle

• Nur Klassifikations-und Regressionsmodelle sind verfügbar.
• Angepasste Umsetzungsprogramme, benutzerdefinierte Funktionen und Klassen sind nicht verfügbar.

Scikit-learn Modelle

• .pkl und .pickle sind die verfügbaren Importformate.
• Verwenden Sie das Paket joblib , um das Modell zu serialisieren oder zu verwenden.
• Nur Klassifikations-und Regressionsmodelle sind verfügbar.
• Pandas Dataframe-Eingabetyp für predict() -API ist nicht verfügbar.
• Der einzige verfügbare Bereitstellungstyp für Scikit-learn-Modelle ist die Onlinebereitstellung.

XGBoost-Modelle

• .pkl und .pickle sind die verfügbaren Importformate.
• Verwenden Sie das Paket joblib , um das Modell zu serialisieren oder zu verwenden.
• Nur Klassifikations-und Regressionsmodelle sind verfügbar.
• Pandas Dataframe-Eingabetyp für predict() -API ist nicht verfügbar.
• Der einzige verfügbare Bereitstellungstyp für XGBoost-Modelle ist die Onlinebereitstellung.

TensorFlow -Modelle

• .pb, .h5und .hdf5 sind die verfügbaren Importformate.
• Verwenden Sie zum Speichern oder Serialisieren eines TensorFlow -Modells die Methode tf.saved_model.save() .
• tf.estimator ist nicht verfügbar.
• Die einzigen verfügbaren Bereitstellungstypen für TensorFlow -Modelle sind: Onlinebereitstellung und Stapelbereitstellung.

PyTorch -Modelle

• Der einzige verfügbare Bereitstellungstyp für PyTorch -Modelle ist die Onlinebereitstellung.

• Damit ein Pytorch-Modell in watsonx.ai Runtime importiert werden kann, muss es zuvor in das ' .onnx ormat exportiert worden sein. Siehe diesen Code.

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