Dodawanie modelu przy użyciu interfejsu użytkownika

Aby zaimportować model przy użyciu interfejsu użytkownika:

1. Na karcie Zasoby w obszarze Watson Machine Learningkliknij opcję Importuj zasoby.
2. Wybierz opcję Local file , a następnie opcję Model.
3. Wybierz plik modelu, który ma zostać zaimportowany, a następnie kliknij przycisk Importuj.

Mechanizm importowania automatycznie wybiera zgodny typ modelu i specyfikację oprogramowania na podstawie łańcucha wersji w pliku .xml .

Importowanie obiektu modelu

Aby zaimportować obiekt modelu:

1. Jeśli model znajduje się w położeniu zdalnym, należy postępować zgodnie z instrukcjami w sekcji Pobieranie modelu przechowywanego w położeniu zdalnym.
2. Zapisz obiekt modelu w repozytorium Watson Machine Learning . Więcej informacji na ten temat zawiera sekcja Zapisywanie modelu w repozytorium Watson Machine Learning.

Importowanie modelu przy użyciu ścieżki do pliku

Aby zaimportować model przy użyciu ścieżki do pliku:

1. Jeśli model znajduje się w zdalnej lokalizacji, wykonaj czynności opisane w sekcji Pobieranie modelu przechowywanego w zdalnej lokalizacji , aby go pobrać.

2. Jeśli model znajduje się lokalnie, umieść go w określonym katalogu:

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

3. W przypadku modeli Scikit-learn, XGBoost, Tensorflowi PyTorch , jeśli pobrany plik nie jest archiwum .tar.gz , utwórz archiwum:

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

   Plik modelu musi znajdować się w folderze najwyższego poziomu katalogu, na przykład:

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

4. Użyj ścieżki do zapisanego pliku, aby zapisać plik modelu w repozytorium Watson Machine Learning . Więcej informacji na ten temat zawiera sekcja Zapisywanie modelu w repozytorium Watson Machine Learning.

Importowanie modelu przy użyciu ścieżki do katalogu

Aby zaimportować model przy użyciu ścieżki do katalogu:

1. Jeśli model znajduje się w zdalnej lokalizacji, zapoznaj się z sekcją Pobieranie modelu zapisanego w zdalnej lokalizacji.

2. Jeśli model znajduje się lokalnie, umieść go w określonym katalogu:

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

   W przypadku modeli scikit-learn, XGBoost, Tensorflowi PyTorch plik modelu musi znajdować się w folderze najwyższego poziomu katalogu, na przykład:

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

3. Użyj ścieżki katalogu, aby zapisać plik modelu w repozytorium Watson Machine Learning . Więcej informacji na ten temat zawiera sekcja Zapisywanie modelu w repozytorium Watson Machine Learning.

Pobieranie modelu zapisanego w miejscu zdalnym

Aby pobrać model z miejsca zdalnego, należy postępować zgodnie z następującym kodem przykładowym:

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)

Modele zapisane w formacie PMML

• Jedynym dostępnym typem wdrożenia dla modeli, które są importowane z PMML, jest wdrożenie w trybie z połączeniem.
• Plik PMML musi mieć rozszerzenie .xml .
• Modeli PMML nie można używać w przepływie strumienia SPSS .
• Plik PMML nie może zawierać prologu. W zależności od biblioteki, która jest używana podczas zapisywania modelu, prologu można dodać domyślnie na początku pliku. Jeśli na przykład plik zawiera łańcuch prologu, taki jak spark-mllib-lr-model-pmml.xml, należy usunąć ten łańcuch przed zaimportowaniem pliku PMML do obszaru wdrażania.

W zależności od biblioteki, która jest używana podczas zapisywania modelu, prologu można dodać domyślnie na początku pliku, tak jak w poniższym przykładzie:

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

Należy usunąć ten prologu przed zaimportowaniem pliku PMML do systemu Watson Machine Learning.

Modele Spark MLlib

• Dostępne są tylko modele klasyfikacji i regresji.
• Transformatory niestandardowe, funkcje zdefiniowane przez użytkownika i klasy nie są dostępne.

Scikit-modele do nauki

• .pkl i .pickle to dostępne formaty importu.
• Aby przekształcić model do postaci szeregowej lub przekształcić go w pirefaktoryzację, należy użyć pakietu joblib .
• Dostępne są tylko modele klasyfikacji i regresji.
• Typ wejściowy ramki danych pandas dla interfejsu API predict() jest niedostępny.
• Jedynym dostępnym typem wdrożenia dla modeli scikit-learn jest wdrożenie w trybie z połączeniem.

Modele XGBoost

• .pkl i .pickle to dostępne formaty importu.
• Aby przekształcić model do postaci szeregowej lub przekształcić go w pirefaktoryzację, należy użyć pakietu joblib .
• Dostępne są tylko modele klasyfikacji i regresji.
• Typ wejściowy ramki danych pandas dla interfejsu API predict() jest niedostępny.
• Jedynym dostępnym typem wdrożenia dla modeli XGBoost jest wdrożenie w trybie z połączeniem.

Modele TensorFlow

• .pb, .h5i .hdf5 to dostępne formaty importu.
• Aby zapisać lub przekształcić do postaci szeregowej model TensorFlow , należy użyć metody tf.saved_model.save() .
• Produkt tf.estimator nie jest dostępny.
• Jedyne dostępne typy wdrożenia dla modeli TensorFlow to: wdrożenie w trybie z połączeniem i wdrożenie wsadowe.

Modele PyTorch

• Jedynym dostępnym typem wdrożenia dla modeli PyTorch jest wdrożenie w trybie z połączeniem.

• Aby zaimportować model Pytorch do systemu Watson Machine Learning, należy go wcześniej wyeksportować do formatu .onnx . Zapoznaj się z tym kodem.

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