Kullanıcı arabirimini kullanarak model ekleme

Bir modeli UI kullanarak içe aktarmak için:

1. Watson Machine Learningiçindeki alanınızın Varlıklar sekmesinden Varlıkları içe aktarseçeneğini tıklatın.
2. Local file seçeneğini belirleyin ve Modelseçeneğini belirleyin.
3. İçe aktarmak istediğiniz model dosyasını seçin ve İçe Aktar' ı tıklatın.

İçe aktarma mekanizması, .xml dosyasındaki sürüm dizgisine dayalı olarak otomatik olarak eşleşen bir model tipi ve yazılım belirtimi seçer.

Model nesnesinin içe aktarılması

Bir model nesnesini içe aktarmak için:

1. Modeliniz uzak bir konumdaysa, Uzak bir konumda saklanan bir modeli karşıdan yüklemeişlemini izleyin.
2. Model nesnesini Watson Machine Learning havuzunuzda saklayın. Daha fazla bilgi için bkz. Watson Machine Learning havuzunda modeli saklama.

Dosyanın yolunu kullanarak bir modelin içe aktarılması

Dosyanın yolunu kullanarak bir modeli içe aktarmak için:

1. Modeliniz uzak bir konumdaysa, modeli karşıdan yüklemek için Uzak bir konumda saklanan bir modeli karşıdan yükleme işlemini izleyin.

2. Modeliniz yerel olarak bulunuyorsa, bunu belirli bir dizine yerleştirin:

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

3. Scikit-learn, XGBoost, Tensorflowve PyTorch modelleri için, karşıdan yüklenen dosya bir .tar.gz arşivi değilse, bir arşiv oluşturun:

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

   Model dosyası, dizinin en üst düzey klasöründe olmalıdır; örneğin:

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

4. Model dosyasını Watson Machine Learning havuzunuzda saklamak için kaydedilen dosyanın yolunu kullanın. Daha fazla bilgi için bkz. Watson Machine Learning havuzunda modeli saklama.

Bir dizin yolunu kullanarak bir modelin içe aktarılması

Bir dizini yol kullanarak bir modeli içe aktarmak için:

1. Modeliniz uzak bir konumdaysa, Uzak bir konumda saklanan bir modelin karşıdan yüklenmesibaşlıklı konuya bakın.

2. Modeliniz yerel olarak bulunuyorsa, bunu belirli bir dizine yerleştirin:

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

   scikit-learn, XGBoost, Tensorflowve PyTorch modelleri için model dosyasının dizinin üst düzey klasöründe olması gerekir; örneğin:

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

3. Model dosyasını Watson Machine Learning havuzunuzda saklamak için dizin yolunu kullanın. Daha fazla bilgi için bkz. Watson Machine Learning havuzunda modeli saklama.

Uzak bir konumda saklanan bir modeli karşıdan yükleme

Modelinizi uzak bir yerden yüklemek için bu örnek kodu izleyin:

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)

PMML biçiminde kaydedilen modeller

• PMML ' den içe aktarılan modeller için kullanılabilir tek konuşlandırma tipi çevrimiçi konuşlandırmadır.
• PMML dosyası .xml dosya uzantısına sahip olmalıdır.
• PMML modelleri bir SPSS akış akışında kullanılamaz.
• PMML dosyası bir öneylem içermemelidir. Modelinizi kaydederken kullanmakta olduğunuz kitaplığa bağlı olarak, varsayılan olarak dosyanın başına bir öneylem eklenebilir. Örneğin, dosyanız spark-mllib-lr-model-pmml.xmlgibi bir öneylem dizgisi içeriyorsa, PMML dosyasını konuşlandırma alanına aktarmadan önce dizgiyi kaldırın.

Modelinizi kaydederken kullanmakta olduğunuz kitaplığa bağlı olarak, aşağıdaki örnekte olduğu gibi varsayılan olarak dosyanın başına bir öneylem eklenebilir:

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

PMML dosyasını Watson Machine Learning' e aktarmadan önce bu önsözü kaldırmanız gerekir.

Spark MLlib modelleri

• Yalnızca sınıflandırma ve regresyon modelleri mevcuttur.
• Özel dönüştürücüler, kullanıcı tanımlı işlevler ve sınıflar kullanılamaz.

Scikit-modelleri öğrenin

• .pkl ve .pickle , kullanılabilir içe aktarma biçimleridir.
• Modeli diziselleştirmek ya da turşu yapmak için joblib paketini kullanın.
• Yalnızca sınıflandırma ve regresyon modelleri mevcuttur.
• predict() API için Pandas Dataframe giriş tipi kullanılamıyor.
• Scikit-learn modelleri için kullanılabilir tek devreye alma tipi çevrimiçi devreye almaktır.

XGBoost modelleri

• .pkl ve .pickle , kullanılabilir içe aktarma biçimleridir.
• Modeli diziselleştirmek ya da turşu yapmak için joblib paketini kullanın.
• Yalnızca sınıflandırma ve regresyon modelleri mevcuttur.
• predict() API için Pandas Dataframe giriş tipi kullanılamıyor.
• XGBoost modelleri için kullanılabilir tek devreye alma tipi çevrimiçi devreye almaktır.

TensorFlow modelleri

• .pb, .h5ve .hdf5 kullanılabilir içe aktarma biçimleridir.
• Bir TensorFlow modelini kaydetmek ya da diziselleştirmek için tf.saved_model.save() yöntemini kullanın.
• tf.estimator kullanılamıyor.
• TensorFlow modelleri için yalnızca çevrimiçi devreye alma ve toplu devreye alma tipleri kullanılabilir.

PyTorch modelleri

• PyTorch modelleri için kullanılabilecek tek konuşlandırma tipi çevrimiçi konuşlandırmaktır.

• Bir Pytorch modelinin Watson Machine Learning' e içe aktarılabilmesi için daha önce .onnx biçimine aktarılmalıdır. Bu koda bakın.

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