In IBM watsonx.ai Runtime können Sie gängige Tools, Bibliotheken und Frameworks verwenden, um Machine-Learning-Modelle und -Funktionen zu trainieren und einzusetzen. Die Umgebung für diese Modelle und Funktionen besteht aus bestimmten Hardware-und Softwarespezifikationen.
Softwarespezifikationen definieren die Sprache und Version, die Sie für ein Modell oder eine Funktion verwenden. Sie können Softwarespezifikationen verwenden, um die Software zu konfigurieren, die zum Ausführen Ihrer Modelle und Funktionen verwendet wird. Durch die Verwendung von Softwarespezifikationen können Sie die zu verwendende Softwareversion präzise definieren und Ihre eigenen Erweiterungen einschließen (z. B. durch die Verwendung von Conda-YML-Dateien oder angepassten Bibliotheken).
Sie können eine Liste der verfügbaren Software-und Hardwarespezifikationen abrufen und dann deren Namen und IDs für Ihre Implementierung verwenden. Weitere Informationen finden Sie unter Python oder Data and AI Common Core API.
Unterstützte Softwarespezifikationen für Frameworks für maschinelles Lernen
Sie können gängige Tools, Bibliotheken und Frameworks verwenden, um Modelle und Funktionen für maschinelles Lernen zu trainieren und bereitzustellen.
In dieser Tabelle werden die vordefinierten (Basis-) Modelltypen und Softwarespezifikationen aufgelistet.
| Framework | Versionen | Modelltyp | Softwarespezifikation |
|---|---|---|---|
| Decision Optimization | 20.1 | do-docplex_20.1 do-opl_20.1 do-cplex_20.1 do-cpo_20.1 |
do_20.1 |
| Decision Optimization | 22.1 | do-docplex_22.1 do-opl_22.1 do-cplex_22.1 do-cpo_22.1 |
do_22.1 |
| PMML | 3.0 bis 4.3 | pmml_. (oder) pmml_..*3.0 - 4.3 | pmml-3.0_4.3 |
| PyTorch | 2.0 | pytorch-onnx_2.0 pytorch-onnx_rt23.1 |
runtime-23.1-py3.10 pytorch-onnx_rt23.1-py3.10 pytorch-onnx_rt23.1-py3.10-edt pytorch-onnx_rt23.1-py3.10-dist |
| PyTorch | 2.1 | pytorch-onnx_2.1 pytorch-onnx_rt24.1 |
runtime-24.1-py3.11 pytorch-onnx_rt24.1-py3.11 pytorch-onnx_rt24.1-py3.11-edt pytorch-onnx_rt24.1-py3.11-dist |
| Python-Funktionen | Nicht zutreffend | Nicht zutreffend | runtime-24.1-py3.11 |
| Python-Scripts | Nicht zutreffend | Nicht zutreffend | runtime-24.1-py3.11 |
| Scikit-learn | 1.1 | scikit-learn_1.1 | runtime-23.1-py3.10 |
| Scikit-learn | 1.3 | scikit-learn_1.3 | runtime-24.1-py3.11 |
| Spark | 3.3 | mllib_3.3(deprecated) | spark-mllib_3.3(deprecated) |
| Spark | 3.4 | mllib_3.4 | spark-mllib_3.4 |
| SPSS | 17.1 | spss-modeler_17.1 | spss-modeler_17.1 |
| SPSS | 18.1 | spss-modeler_18.1 | spss-modeler_18.1 |
| SPSS | 18.2 | spss-modeler_18.2 | spss-modeler_18.2 |
| Tensorflow | 2.12 | tensorflow_2.12 tensorflow_rt23.1 |
runtime-23.1-py3.10 tensorflow_rt23.1-py3.10-dist tensorflow_rt23.1-py3.10-edt tensorflow_rt23.1-py3.10 |
| Tensorflow | 2.14 | tensorflow_2.14 tensorflow_rt24.1 |
runtime-24.1-py3.11 tensorflow_rt24.1-py3.11-dist tensorflow_rt24.1-py3.11-edt tensorflow_rt24.1-py3.11 |
| XGBoost | 1.6 | xgboost_1.6 oder scikit-learn_1.1 (siehe Anmerkungen) | runtime-23.1-py3.10 |
| XGBoost | 2.0 | xgboost_2.0 oder scikit-learn_1.3 | runtime-24.1-py3.11 |
| onnx oder onnxruntime | 1.16 | onnxruntime_1.16 | onnxruntime_opset_19 |
Unterstützte Modelltypen und Softwarespezifikationen für Hybridmodelle
Die folgenden Modelltypen und Softwarespezifikationen werden für Hybridmodelle unterstützt:
| Framework | Versionen | Modelltyp | Standard Software-Spezifikation |
Spezifikation der Pipeline-Software |
|---|---|---|---|---|
| Hybrid | 0.1 | wml-hybrid_0.1 | hybrid_0.1 | autoai-kb_rt24.1-py3.11 autoai-ts_rt24.1-py3.11 |
Wenn Sie Assets haben, die auf nicht weiterverwendete Softwarespezifikationen oder Frameworks angewiesen sind, ist in einigen Fällen eine nahtlose Migration möglich. In anderen Fällen müssen Sie entsprechende Aktionen ausführen, um Assets erneut zu trainieren oder erneut bereitzustellen.
Vorhandene Implementierungen von Modellen, die mit nicht weiterverwendeten Frameworkversionen oder Softwarespezifikationen erstellt wurden, werden am Tag der Einstellung entfernt.
Neue Implementierungen von Modellen, die mit nicht weiterverwendeten Frameworkversionen oder Softwarespezifikationen erstellt wurden, sind nicht zulässig.
Wenn Sie ein Upgrade von einer Vorgängerversion von Cloud Pak for Datadurchführen, werden Bereitstellungen von Modellen, Funktionen oder Scripts, die auf nicht unterstützten Frameworks basieren, entfernt. Sie müssen die Bereitstellungen mit unterstützten Frameworks erneut erstellen.
Wenn Sie ein Upgrade von einer Vorgängerversion von Cloud Pak for Data durchführen und Modelle haben, die nicht unterstützte Frameworks verwenden, können Sie weiterhin auf die Modelle zugreifen. Sie können sie jedoch erst trainieren oder bewerten, wenn Sie ein Upgrade für den Modelltyp und die Softwarespezifikation durchführen, wie im Abschnitt Veraltete Softwarespezifikationen oder Frameworks verwaltenbeschrieben.
Übergeordnetes Thema: Frameworks und Softwarespezifikationen