Adición de un modelo utilizando la interfaz de usuario

Para importar un modelo utilizando la interfaz de usuario:

1. En la pestaña Activos de su espacio en watsonx.ai Runtime, haga clic en Importar activos.
2. Seleccione Local file y, a continuación, seleccione Modelo.
3. Seleccione el archivo de modelo que desea importar y pulse Importar.

El mecanismo de importación selecciona automáticamente un tipo de modelo coincidente y una especificación de software basándose en la serie de versión del archivo .xml .

Importación de un objeto de modelo

Para importar un objeto de modelo:

1. Si el modelo se encuentra en una ubicación remota, siga Descarga de un modelo almacenado en una ubicación remota.
2. Almacene el objeto modelo en su repositorio watsonx.ai Runtime. Para obtener más información, consulte Almacenamiento del modelo en el repositorio watsonx.ai Runtime.

Importación de un modelo utilizando una vía de acceso a un archivo

Para importar un modelo utilizando una vía de acceso a un archivo:

1. Si el modelo se encuentra en una ubicación remota, siga Descarga de un modelo almacenado en una ubicación remota para descargarlo.

2. Si el modelo está ubicado localmente, colóquelo en un directorio específico:

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

3. Para los modelos scikit-learn, XGBoost, Tensorflow y PyTorch, si el archivo descargado no es un archivo .tar.gz, realice un archivado:

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

   El archivo de modelo debe estar en la carpeta de nivel superior del directorio, por ejemplo:

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

4. Utilice la ruta del archivo guardado para almacenar el archivo de modelo en su repositorio watsonx.ai Runtime. Para obtener más información, consulte Almacenamiento del modelo en el repositorio watsonx.ai Runtime.

Importación de un modelo utilizando una vía de acceso a un directorio

Para importar un modelo utilizando una vía de acceso a un directorio:

1. Si el modelo se encuentra en una ubicación remota, consulte Descarga de un modelo almacenado en una ubicación remota.

2. Si el modelo está ubicado localmente, colóquelo en un directorio específico:

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

   Para los modelos scikit-learn, XGBoost, Tensorflowy PyTorch , el archivo de modelo debe estar en la carpeta de nivel superior del directorio, por ejemplo:

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

3. Utilice la ruta del directorio para almacenar el archivo de modelo en su repositorio watsonx.ai Runtime. Para obtener más información, consulte Almacenamiento del modelo en el repositorio watsonx.ai Runtime.

Descarga de un modelo almacenado en una ubicación remota

Siga este código de ejemplo para descargar el modelo desde una ubicación remota:

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)

Modelos guardados en formato PMML

• El único tipo de despliegue disponible para los modelos que se importan de PMML es el despliegue en línea.
• El archivo PMML debe tener la extensión de archivo .xml .
• No se pueden utilizar modelos PMML en un flujo de secuencias de SPSS.
• El archivo PMML no debe contener un prólogo. En función de la biblioteca que esté utilizando al guardar el modelo, se puede añadir un prólogo al principio del archivo de forma predeterminada. Por ejemplo, si el archivo contiene una serie de prólogo como spark-mllib-lr-model-pmml.xml, elimine la serie antes de importar el archivo PMML en el espacio de despliegue.

En función de la biblioteca que esté utilizando al guardar el modelo, se puede añadir un prólogo al principio del archivo de forma predeterminada, como en este ejemplo:

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

Debe eliminar ese prólogo antes de poder importar el archivo PMML a watsonx.ai Runtime.

Modelos Spark MLlib

• Sólo están disponibles los modelos de clasificación y regresión.
• Los transformadores personalizados, las funciones definidas por el usuario y las clases no están disponibles.

Scikit-modelos de aprendizaje

• .pkl y .pickle son los formatos de importación disponibles.
• Para serializar o decapitar el modelo, utilice el paquete joblib .
• Sólo están disponibles los modelos de clasificación y regresión.
• El tipo de entrada de nombre de datos de Pandas para la API de predict() no está disponible.
• El único tipo de despliegue disponible para los modelos scikit-learn es el despliegue en línea.

Modelos XGBoost

• .pkl y .pickle son los formatos de importación disponibles.
• Para serializar o decapitar el modelo, utilice el paquete joblib .
• Sólo están disponibles los modelos de clasificación y regresión.
• El tipo de entrada de nombre de datos de Pandas para la API de predict() no está disponible.
• El único tipo de despliegue disponible para los modelos XGBoost es el despliegue en línea.

Modelos TensorFlow

• .pb, .h5y .hdf5 son los formatos de importación disponibles.
• Para guardar o serializar un modelo TensorFlow , utilice el método tf.saved_model.save() .
• tf.estimator no está disponible.
• Los únicos tipos de despliegue disponibles para los modelos TensorFlow son: despliegue en línea y despliegue por lotes.

Modelos PyTorch

• El único tipo de despliegue disponible para los modelos PyTorch es el despliegue en línea.

• Para que un modelo Pytorch pueda ser importado a watsonx.ai Runtime, debe ser exportado previamente al formato ' .onnx '. Consulte este código.

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