Translation not up to date
V produktu IBM Watson Machine Learningmůžete používat oblíbené nástroje, knihovny a rámce pro trénování a implementaci modelů a funkcí strojového učení. Prostředí pro tyto modely a funkce se skládá ze specifických hardwarových a softwarových specifikací.
Specifikace softwaru definují jazyk a verzi, kterou používáte pro model nebo funkci. Umožňují vám lépe konfigurovat software, který se používá pro spouštění vašich modelů a funkcí. Pomocí specifikací softwaru můžete přesně definovat verzi softwaru, která se má použít, a zahrnout vlastní přípony (například pomocí souborů conda .yml nebo vlastních knihoven).
Můžete získat seznam dostupných specifikací softwaru a hardwaru a poté použít jejich názvy a ID pro použití s vaší implementací. Podrobnosti o tom, jak to provést, naleznete v dokumentaci pro Python nebo rozhraní REST API.
Předdefinované specifikace softwaru
K trénování a implementaci modelů a funkcí strojového učení můžete použít oblíbené nástroje, knihovny a rámce.
V této tabulce jsou uvedeny předdefinované (základní) typy modelů a specifikace softwaru.
| Rámec | Verze | Typ modelu | Výchozí Specifikace softwaru |
|---|---|---|---|
| AutoAI | 0.1 | NEDEF | autoai-kb_rt22.2-py3.10 autoai-ts_rt22.2-py3.10 hybrid_0.1 autoai-kb_rt23.1-py3.10 autoai-ts_rt23.1-py3.10 autoai-tsad_rt23.1-py3.10 autoai-tsad_rt22.2-py3.10 |
| 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 |
| Hybrid/AutoML | 0.1 | wml-hybrid_0.1 | hybrid_0.1 |
| PMML | 3.0 až 4.3 | pmml_. (nebo) pmml_..*3.0 - 4.3 | pmml-3.0_4.3 |
| PyTorch | 1.12 | pytorch-onnx_1.12 pytorch-onnx_rt22.2 |
runtime-22.2-py3.10 pytorch-onnx_rt22.2-py3.10 pytorch-onnx_rt22.2-py3.10-edt |
| 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 |
| Python Funkce | 0.1 | NEDEF | runtime-22.2-py3.10 runtime 23.1-py3.10 |
| Python Skripty | 0.1 | NEDEF | runtime-22.2-py3.10 runtime 23.1-py3.10 |
| Scikit-učit se | 1.1 | scikit-learn_1.1 | runtime-22.2-py3.10 runtime 23.1-py3.10 |
| Spark | 3.3 | mllib_3.3 | spark-mllib_3.3 |
| 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 | 2.9 | tensorflow_2.9 tensorflow_rt22.2 |
runtime-22.2-py3.10 tensorflow_rt22.2-py3.10 |
| 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 |
| XGBoost (zvýšení) | 1.6 | xgboost_1.6 nebo scikit-learn_1.1 (viz poznámky) | runtime-22.2-py3.10 runtime 23.1-py3.10 |
Máte-li aktiva, která spoléhají na ukončené specifikace softwaru nebo rámce, v některých případech je migrace bezproblémová. V ostatních případech je vyžadována vaše akce k opětovnému trénování nebo nasazení aktiv.
- Existující implementace modelů, které jsou sestaveny s přerušenými verzemi rámce nebo se specifikacemi softwaru, budou odebrány k datu ukončení.
- Nebudou povoleny žádné nové implementace modelů, které jsou sestaveny s již neukončenými verzemi rámce nebo specifikacemi softwaru.
Další informace
Podrobnosti o přizpůsobení specifikací softwaru naleznete v tématu Přizpůsobení pomocí knihoven Python třetích stran a soukromých knihoven.
Podrobnosti o používání a přizpůsobení prostředí viz Prostředí.
Konkrétní příklady implementace naleznete v ukázkových zápisnících Jupyter:
Nadřízené téma: Specifikace rámců a softwaru