Translation not up to date
W produkcie IBM Watson Machine Learningdo trenowania i wdrażania modeli i funkcji uczenia maszynowego można używać popularnych narzędzi, bibliotek i środowisk. Środowisko dla tych modeli i funkcji składa się z konkretnych specyfikacji sprzętu i oprogramowania.
Specyfikacje oprogramowania definiują język i wersję, które są używane dla modelu lub funkcji. Umożliwiają one lepsze skonfigurowanie oprogramowania używanego do uruchamiania modeli i funkcji. Korzystając ze specyfikacji oprogramowania, można precyzyjnie zdefiniować używaną wersję oprogramowania i dołączyć własne rozszerzenia (na przykład za pomocą plików conda .yml lub bibliotek niestandardowych).
Można uzyskać listę dostępnych specyfikacji oprogramowania i sprzętu, a następnie użyć ich nazw i identyfikatorów na potrzeby wdrożenia. Szczegółowe informacje na ten temat można znaleźć w dokumentacji klientaPython lub interfejsu API REST.
Predefiniowane specyfikacje oprogramowania
Za pomocą popularnych narzędzi, bibliotek i środowisk można trenować i wdrażać modele i funkcje uczenia maszynowego.
W tej tabeli przedstawiono predefiniowane (podstawowe) typy modeli i specyfikacje oprogramowania.
| Środowisko | Wersje | Typ modelu | Domyślna specyfikacja oprogramowania |
|---|---|---|---|
| AutoAI | 0.1 | ND | 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 do 4.3 | pmml_. (lub) 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 |
| Funkcje Python | 0.1 | ND | runtime-22.2-py3.10 runtime-23.1-py3.10 |
| Skrypty w języku Python | 0.1 | ND | runtime-22.2-py3.10 runtime-23.1-py3.10 |
| Scikit-nauka | 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 | 1.6 | xgboost_1.6 lub scikit-learn_1.1 (patrz uwagi) | runtime-22.2-py3.10 runtime-23.1-py3.10 |
W przypadku zasobów, które opierają się na wycofanych specyfikacjach oprogramowania lub środowiskach, migracja jest w niektórych przypadkach bezproblemowa. W innych przypadkach wymagane jest wykonanie czynności w celu przeuczenia lub ponownego wdrożenia zasobów.
- Istniejące wdrożenia modeli, które zostały zbudowane przy użyciu wycofanych wersji środowiska lub specyfikacji oprogramowania, zostaną usunięte w dniu przerwania.
- Nie będą dozwolone nowe wdrożenia modeli zbudowanych z wycofanymi wersjami środowiska lub specyfikacjami oprogramowania.
Więcej inform.
Szczegółowe informacje na temat dostosowywania specyfikacji oprogramowania zawiera sekcja Dostosowywanie przy użyciu zewnętrznych i prywatnych bibliotek Python.
Szczegółowe informacje na temat używania i dostosowywania środowisk zawiera sekcja Środowiska.
Konkretne przykłady wdrażania można znaleźć w przykładowych notatnikach Jupyter:
Temat nadrzędny: Środowiska i specyfikacje oprogramowania