Introduzione rapida: creare e distribuire un modello di machine learning in un notebook Jupyter
È possibile creare, addestrare e distribuire modelli di machine learning con Watson Machine Learning in un notebook Jupyter. Leggi i notebook Jupyter, guarda un video e fai un tutorial adatto agli utenti intermedi e che richiede codifica.
- Servizi richiesti
- Watson Studio
- Watson Machine Learning
Il flusso di lavoro di base include le seguenti attività:
- Aprire il progetto sandbox. I progetti sono dove è possibile collaborare con altri per lavorare con i dati.
- Aggiungere un notebook al progetto. È possibile creare un notebook vuoto o importare un notebook da un file o da un repository GitHub .
- Aggiungere codice ed eseguire il notebook.
- Esaminare le pipeline del modello e salvare la pipeline desiderata come modello.
- Distribuire e verificare il modello.
Leggi i notebook Jupyter
Un notebook Jupyter è un ambiente basato sul web per il calcolo interattivo. Se si sceglie di creare un modello di machine learning in un notebook, si dovrebbe essere a proprio agio con la codifica in un notebook Jupyter. È possibile eseguire piccole parti di codice che elaborano i dati, quindi visualizzare immediatamente i risultati del calcolo. Utilizzando questo tool, è possibile assemblare, verificare ed eseguire tutti i blocchi di creazione necessari per gestire i dati, salvare i dati in Watson Machine Learninge distribuire il modello.
Ulteriori informazioni sui modelli di formazione nei notebook
Guarda un video sulla creazione di un modello in un notebook Jupyter
Guarda questo video per vedere come addestrare, distribuire e verificare un modello di machine learning in un notebook Jupyter.
Questo video fornisce un metodo visivo per apprendere i concetti e le attività in questa documentazione.
Prova un'esercitazione per creare un modello in un notebook Jupyter
In questa esercitazione, verranno completate le seguenti attività:
Attività 4: esecuzione del notebook:
- Creare e preparare un modello.
- Salva una pipeline come modello.
- Distribuire il modello.
- Verificare il modello distribuito.
Attività 5: visualizzare e verificare il modello distribuito nello spazio di distribuzione
Il completamento di questa esercitazione richiede circa 30 minuti.
Dati di esempio
I dati di esempio utilizzati in questa esercitazione provengono da dati che fanno parte di scikit - learn e verranno utilizzati per preparare un modello a riconoscere le immagini di cifre scritte a mano, da 0 a 9.
Suggerimenti per completare questa esercitazione
Di seguito sono riportati alcuni suggerimenti per completare correttamente questa esercitazione.
Utilizzare il video immagine - in - immagine
La seguente immagine animata mostra come utilizzare le funzioni di immagine video e indice:
Ottieni aiuto nella community
Se hai bisogno di aiuto con questa esercitazione, puoi fare una domanda o trovare una risposta nel forum di discussione della comunitàwatsonx.
Configurare le finestre del browser
Per un'esperienza ottimale durante il completamento di questa esercitazione, apri Cloud Pak for Data in una finestra del browser e tieni aperta questa pagina dell'esercitazione in un'altra finestra del browser per passare facilmente tra le due applicazioni. Prendi in considerazione la possibilità di organizzare le due finestre del browser fianco a fianco per renderle più semplici da seguire.
Attività 1: apertura di un progetto
È necessario un progetto per memorizzare i dati e l'esperimento AutoAI . È possibile utilizzare il progetto sandbox o creare un progetto.
Dal Menu di navigazione , scegliere Progetti> Visualizza tutti i progetti
Aprire il progetto sandbox. Se si desidera utilizzare un nuovo progetto:
Fare clic su Nuovo progetto.
Selezionare Crea un progetto vuoto.
Immettere un nome e una descrizione facoltativa per il progetto.
Scegliere un' istanza del servizio di archiviazione oggetti esistente o crearne una nuova.
Fare clic su Crea.
Quando il progetto si apre, fai clic sulla scheda Manage e seleziona la pagina Services and integrations .
Per visualizzare un'anteprima di questa attività, guardare il video a partire dalle 00:07.
Sulla scheda IBM , fare clic su Associa servizio.
Selezionare l'istanza di Watson Machine Learning . Se non hai ancora eseguito il provisioning di un'istanza del servizio Watson Machine Learning , attieniti alla seguente procedura:
Fare clic su Nuovo servizio.
Selezionare Watson Machine Learning.
Fare clic su Crea.
Selezionare la nuova istanza del servizio dall'elenco.
Fare clic su Associa servizio.
Se necessario, fare clic su Annulla per tornare alla pagina Servizi & Integrazioni .
Per ulteriori informazioni o per guardare un video, consultare Creazione di un progetto.
Per ulteriori informazioni sui servizi associati, consultare Aggiunta di servizi associati.
Controlla i tuoi progressi
La seguente immagine mostra il nuovo progetto.
Attività 2: aggiungere un notebook al progetto
Per visualizzare l'anteprima di questa attività, guardare il video a partire dalle 00:18.
In questa esercitazione verrà utilizzato un notebook di esempio. Attenersi alla seguente procedura per aggiungere il notebook di esempio al progetto:
Accedere al notebook Utilizza sckit - learn per riconoscere le cifre scritte a mano nell' hub di risorse.
Fare clic su Aggiungi al progetto.
Selezionare il progetto dall'elenco e fare clic su Aggiungi.
Verificare il nome e la descrizione del notebook (facoltativo).
Selezionare un ambiente di runtime per questo notebook.
Fare clic su Crea. Attendere il caricamento dell'editor del notebook.
Dal menu, fare clic su Kernel> Riavvia & Cancella output, quindi confermare facendo clic su Riavvia e Cancella tutti gli output per cancellare l'output dall'ultima esecuzione salvata.
Controlla i tuoi progressi
La seguente immagine mostra il nuovo notebook.
Attività 3: configurare l'ambiente
Per visualizzare l'anteprima di questa attività, guardare il video a partire dalle 00:44.
La prima sezione nel notebook imposta l'ambiente specificando le tue credenziali IBM Cloud e l'ubicazione dell'istanza del servizio Watson Machine Learning . Attenersi alla seguente procedura per impostare l'ambiente nel notebook:
Scorrere fino alla sezione Imposta l'ambiente .
Scegliere un metodo per ottenere la chiave API e l'ubicazione.
Esegui i comandi CLI IBM Cloud nel notebook da un prompt dei comandi.
Utilizza la console IBM Cloud .
Avvia la sezione delle chiavi API nella IBM Cloude crea una chiave API.
Accedi al tuo elenco di risorseIBM Cloud, visualizza la tua istanza del servizio Watson Machine Learning e prendi nota dell' ubicazione.
Consulta la Documentazione API di Watson Machine Learning per l'URL dell'endpoint corretto. Ad esempio, Dallas è in noi - sud.
Incolla la tua chiave API e la posizione nella cella 1.
Fare clic su Esegui per eseguire il codice nelle celle 1 e 2.
Eseguire la cella 3 per installare il package
ibm-watson-machine-learning
.Eseguire la cella 4 per importare il client API e creare l'istanza client API utilizzando le proprie credenziali.
Eseguire la cella con il codice
client.spaces.list(limit=10)
per visualizzare un elenco di tutti gli spazi di distribuzione esistenti. Se non si dispone di uno spazio di distribuzione, attenersi alla seguente procedura:Apri un'altra scheda con la distribuzione watsonx .
Dal Menu di navigazione , fare clic su Distribuzioni.
Fare clic su Nuovo spazio di distribuzione.
Aggiungere un nome e una descrizione facoltativa per la distribuzione.
Fai clic su Crea, quindi su Visualizza nuovo spazio.
Fare clic sulla scheda Gestisci .
Copia il GUID spazio e chiudi la scheda, questo valore sarà il tuo
space_id
.
Copiare e incollare l'ID spazio di distribuzione appropriato nella cella con il codice
space_id = 'PASTE YOUR SPACE ID HERE'
, quindi eseguire quella cella e la cella con il codiceclient.set.default_space(space_id)
per impostare lo spazio predefinito.
Controlla i tuoi progressi
La seguente immagine mostra il notebook con tutte le variabili di ambiente configurate.
Attività 4: esecuzione del notebook
Per visualizzare un'anteprima di questa attività, guardare il video a partire dalle 02:14.
Ora che tutte le variabili di ambiente sono impostate, è possibile eseguire il resto delle celle nel notebook. Effettuare le operazioni riportate di seguito per leggere i commenti, eseguire le celle ed esaminare l'output:
Eseguire le celle nella sezione Esplora dati .
Eseguire le celle nella sezione Crea un modello scikit - learn .
Preparare i dati suddividendo i dati in tre serie di dati (addestramento, test e punteggio).
Crea la pipeline.
Addestrare il modello.
Valutare il modello utilizzando i dati di test.
Eseguire le celle nella sezione Mantieni modello scikit-learn creato localmente per pubblicare il modello, ottenere i dettagli del modello e ottenere tutti i modelli.
Nota:Se stai utilizzando Runtime 24.1 su Python 3.11, dovrai modificare
software_spec_uid
inruntime-24.1-py3.11
e la versione scikit - learn inscikit-learn-1.3
.Eseguire le celle nella sezione Distribuisci e calcola il punteggio per creare la distribuzione online, ottenere i dettagli della distribuzione e inviare una richiesta di calcolo del punteggio al modello distribuito per visualizzare la previsione.
Fare clic su File> Salva.
Controlla i tuoi progressi
La seguente immagine mostra il notebook con la previsione.
Attività 5: visualizzare e verificare il modello distribuito nello spazio di distribuzione
Per visualizzare in anteprima questa attività, guardare il video a partire dalle 04:07.
È anche possibile visualizzare la distribuzione del modello direttamente dallo spazio di distribuzione. Attieniti a questa procedura per verificare il modello distribuito nello spazio.
Dal Menu di navigazione , fare clic su Distribuzioni.
Fare clic sulla scheda Spazi .
Selezionare lo spazio di distribuzione appropriato dall'elenco.
Fare clic su Modello Scikit.
Fare clic su Distribuzione del modello scikit.
Esamina i Endpoint e i frammenti di codice.
Fare clic sulla scheda Test . Puoi testare il modello distribuito incollando il seguente codice JSON:
{"input_data": [{"values": [[0.0, 0.0, 5.0, 16.0, 16.0, 3.0, 0.0, 0.0, 0.0, 0.0, 9.0, 16.0, 7.0, 0.0, 0.0, 0.0, 0.0, 0.0, 12.0, 15.0, 2.0, 0.0, 0.0, 0.0, 0.0, 1.0, 15.0, 16.0, 15.0, 4.0, 0.0, 0.0, 0.0, 0.0, 9.0, 13.0, 16.0, 9.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 14.0, 12.0, 0.0, 0.0, 0.0, 0.0, 5.0, 12.0, 16.0, 8.0, 0.0, 0.0, 0.0, 0.0, 3.0, 15.0, 15.0, 1.0, 0.0, 0.0], [0.0, 0.0, 6.0, 16.0, 12.0, 1.0, 0.0, 0.0, 0.0, 0.0, 5.0, 16.0, 13.0, 10.0, 0.0, 0.0, 0.0, 0.0, 0.0, 5.0, 5.0, 15.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 8.0, 15.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 13.0, 13.0, 0.0, 0.0, 0.0, 0.0, 0.0, 6.0, 16.0, 9.0, 4.0, 1.0, 0.0, 0.0, 3.0, 16.0, 16.0, 16.0, 16.0, 10.0, 0.0, 0.0, 5.0, 16.0, 11.0, 9.0, 6.0, 2.0]]}]}
Fare clic su Previsione. La previsione risultante indica che le cifre scritte a mano sono 5 e 4.
Controlla i tuoi progressi
La seguente immagine mostra la scheda Test con la previsione.
(Facoltativo) Attività 6: Pulizia
Se si desidera rimuovere tutti gli asset creati dal notebook, creare un nuovo notebook basato sul notebook di gestione delle risorseMachine Learning. Un link a questo notebook è disponibile anche nella sezione Pulizia del Blocco note scikit-learn per riconoscere le cifre scritte a mano utilizzato in questa esercitazione.
Passi successivi
Ora è possibile utilizzare questo dataset per ulteriori analisi. Ad esempio, l'utente o altri utenti possono eseguire una delle seguenti attività:
Ulteriori risorse
Provare questi altri metodi per creare modelli:
Visualizza altri video.
Trova dataset di esempio, progetti, modelli, prompt e notebook nell'hub di risorse per ottenere un'esperienza pratica:
Notebooks che è possibile aggiungere al progetto per iniziare ad analizzare i dati e creare modelli.
Progetti che è possibile importare contenenti notebook, dataset, prompt e altri asset.
Set di dati che è possibile aggiungere al proprio progetto per perfezionare, analizzare e creare modelli.
Richiedi che è possibile utilizzare in Prompt Lab per richiedere un modello di base.
Foundation models che è possibile utilizzare in Prompt Lab.
Trova ulteriori esempi ed esempi del client Python.
Argomento principale: Esercitazioni introduttive