Ajout d'un modèle à l'aide de l'interface utilisateur

Pour importer un modèle à l'aide de l'interface utilisateur:

1. Dans l'onglet Assets de votre espace dans watsonx.ai Runtime, cliquez sur Import assets.
2. Sélectionnez Local file , puis Modèle.
3. Sélectionnez le fichier de modèle à importer et cliquez sur Importer.

Le mécanisme d'importation sélectionne automatiquement un type de modèle et une spécification logicielle correspondants en fonction de la chaîne de version dans le fichier .xml .

Objet modèle importé

Pour importer un objet de modèle:

1. Si votre modèle se trouve dans un emplacement distant, voir Téléchargement d'un modèle stocké dans un emplacement distant.
2. Stockez l'objet modèle dans votre référentiel watsonx.ai Runtime. Pour plus d'informations, voir Stocker le modèle dans le référentiel watsonx.ai Runtime.

Importation d'un modèle à l'aide d'un chemin d'accès à un fichier

Pour importer un modèle à l'aide d'un chemin d'accès à un fichier:

1. Si votre modèle se trouve dans un emplacement distant, suivez la procédure Téléchargement d'un modèle stocké dans un emplacement distant pour le télécharger.

2. Si votre modèle est stocké localement, placez-le dans un répertoire spécifique.

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

3. Pour les modèles Scikit-learn, XGBoost, Tensorflowet PyTorch , si le fichier téléchargé n'est pas une archive .tar.gz, faites une archive :

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

   Le fichier de modèle doit se trouver dans le dossier de niveau supérieur du répertoire, par exemple:

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

4. Utilisez le chemin d'accès au fichier enregistré pour stocker le fichier de modèle dans votre référentiel watsonx.ai Runtime. Pour plus d'informations, voir Stocker le modèle dans le référentiel watsonx.ai Runtime.

Importation d'un modèle à l'aide d'un chemin d'accès à un répertoire

Pour importer un modèle à l'aide d'un chemin d'accès à un répertoire:

1. Si votre modèle se trouve dans un emplacement distant, voir Téléchargement d'un modèle stocké dans un emplacement distant.

2. Si votre modèle est stocké localement, placez-le dans un répertoire spécifique.

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

   Pour les modèles scikit-learn, XGBoost, Tensorflowet PyTorch , le fichier de modèle doit se trouver dans le dossier de niveau supérieur du répertoire, par exemple:

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

3. Utilisez le chemin du répertoire pour stocker le fichier de modèle dans votre référentiel watsonx.ai Runtime. Pour plus d'informations, voir Stocker le modèle dans le référentiel watsonx.ai Runtime.

Télécharger un modèle stocké en un endroit distant

Suivez cet exemple de code pour télécharger votre modèle d'un endroit distant :

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)

Modèles enregistrés au format PMML

• Le seul type de déploiement disponible pour les modèles importés à partir de PMML est le déploiement en ligne.
• Le fichier PMML doit avoir l'extension de fichier .xml .
• Les modèles PMML ne peuvent pas être utilisés dans un flux SPSS.
• Le fichier PMML ne doit pas contenir de prologue. Selon la bibliothèque que vous utilisez lorsque vous sauvegardez votre modèle, un prologue peut être ajouté au début du fichier par défaut. Par exemple, si votre fichier contient une chaîne prologue telle que spark-mllib-lr-model-pmml.xml, supprimez cette chaîne avant d'importer le fichier PMML dans l'espace de déploiement.

Selon la bibliothèque que vous utilisez lorsque vous sauvegardez votre modèle, un prologue peut être ajouté au début du fichier par défaut, comme dans l'exemple suivant:

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

Vous devez supprimer ce prologue avant de pouvoir importer le fichier PMML dans watsonx.ai Runtime.

Modèles Spark MLlib

• Seuls les modèles de classification et de régression sont disponibles.
• Les transformateurs personnalisés, les fonctions définies par l'utilisateur et les classes ne sont pas disponibles.

Modèles Scikit-learn

• .pkl et .pickle sont les formats d'importation disponibles.
• Pour sérialiser ou piocher le modèle, utilisez le pack joblib .
• Seuls les modèles de classification et de régression sont disponibles.
• Le type d'entrée de trame de données Pandas pour l'API predict() n'est pas disponible.
• Le seul type de déploiement disponible pour les modèles scikit-learn est le déploiement en ligne.

Modèles XGBoost

• .pkl et .pickle sont les formats d'importation disponibles.
• Pour sérialiser ou piocher le modèle, utilisez le pack joblib .
• Seuls les modèles de classification et de régression sont disponibles.
• Le type d'entrée de trame de données Pandas pour l'API predict() n'est pas disponible.
• Le seul type de déploiement disponible pour les modèles XGBoost est le déploiement en ligne.

Modèles TensorFlow

• .pb, .h5et .hdf5 sont les formats d'importation disponibles.
• Pour enregistrer ou sérialiser un modèle TensorFlow , utilisez la méthode tf.saved_model.save() .
• tf.estimator n'est pas disponible.
• Les seuls types de déploiement disponibles pour les modèles TensorFlow sont le déploiement en ligne et le déploiement par lots.

Modèles PyTorch

• Le seul type de déploiement disponible pour les modèles PyTorch est le déploiement en ligne.

• Pour qu'un modèle Pytorch puisse être importé dans watsonx.ai Runtime, il doit être préalablement exporté au format '.onnx. Reportez-vous à ce 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>)