Creación de imágenes de implementación personalizadas

Cree una imagen Docker personalizada con las bibliotecas y paquetes necesarios para sus implementaciones y, a continuación, utilice la imagen personalizada para implementar sus Watson Machine Learning activos.

Puede crear imágenes personalizadas basadas en las imágenes de tiempo de ejecución de implementación disponibles en Watson Machine Learning. Las imágenes contienen bibliotecas de código abierto preseleccionadas y bibliotecas IBM seleccionadas. Al crear imágenes personalizadas, puede optimizar la configuración de software estándar de un tiempo de ejecución para las necesidades de su aplicación. También puede utilizar imágenes personalizadas en entornos aislados con requisitos que le prohíben mostrar cualquier operación en Internet.

Antes de empezar

La forma de personalizar una imagen depende de si eres:
  • Personalización de una imagen para modelos y funciones Python basados en
  • Personalizar una SPSS imagen
  • Trabajar en un entorno aislado
  • Creación de una imagen personalizada para un modelo base personalizado

El flujo de trabajo estándar para personalizar imágenes de tiempo de ejecución se describe en Creación y registro de una imagen personalizada. Si desea recuperar una imagen 3.3 Spark descontinuada, deberá seguir el mismo procedimiento, pero omitiendo algunos pasos.

Marcos compatibles para imágenes personalizadas

Tabla 1. Marcos compatibles con la imagen Watson Machine Learning de tiempo de ejecución
Infraestructura En línea Lote
Scikit-learn Sí Sí
XGBoost Sí Sí
TensorFlow Sí Sí
PyTorch Sí Sí
Función de Python Sí

Solo programática

Solo carga útil en línea
Scripts Python Nee Sí
Servicio de IA Sí Sí
Tabla 2. Marcos compatibles con la imagen SPSS de tiempo de ejecución
Infraestructura En línea Lote
SPSS Nee Sí
Tabla 3. Marcos compatibles con la imagen de tiempo de ejecución de Spark
Infraestructura En línea Lote
Spark Sí Nee

Reconstrucción de una imagen existente

Función requerida: Debe ser administrador de la IBM® Software Hub instancia para descargar una definición de tiempo de ejecución y registrar una definición de tiempo de ejecución para la imagen.

Para reconstruir una imagen existente:
  1. Descargar la imagen base
  2. Reconstruya la imagen utilizando las bibliotecas necesarias
  3. Sube la imagen al registro de contenedores.
  4. Editar y cargar la definición del tiempo de ejecución
  5. Realizar puntuaciones en línea o por lotes en la implementación existente
Nota: Si el modelo implementado utiliza una imagen personalizada creada en una de las versiones anteriores de IBM Software Hub, no es necesario crear una nueva implementación.

Creación y registro de una imagen personalizada

Funciones requeridas:
  • Debe ser administrador de la IBM Software Hub instancia para descargar una definición de tiempo de ejecución y registrar una definición de tiempo de ejecución para la imagen.
  • Debe tener privilegios de root en su máquina para ejecutar los comandos que crean una imagen personalizada.
Importante:

Debe realizar los siguientes pasos en todas las imágenes personalizadas existentes cada vez que actualice Cloud Pak for Data para rebasar la imagen con la última imagen Cloud Pak for Data de tiempo de ejecución, que incluye todas las últimas correcciones, incluidas las correcciones de seguridad.

Nota:
Si desea añadir Spark 3.3 (descatalogado) a la lista de especificaciones de software disponibles, los pasos que debe seguir dependen de su situación:
  • Si trabaja en un entorno aislado, omita el paso Añadir personalizaciones y crear una nueva imagen.
  • En otros entornos, siga estos pasos: Cree una especificación de software base para la imagen personalizada y edite y cargue el archivo de configuración.
Para crear y registrar una imagen personalizada:

Entrenamiento de modelos mediante el uso de imágenes personalizadas

Para entrenar un modelo, utilice Watson Studio:
Nota: Las Watson Studio imágenes no se pueden utilizar para implementar modelos.

Uso de la imagen para implementaciones

Para utilizar la imagen personalizada, siga estos pasos:
  1. Guarde el modelo entrenado que desea implementar con la especificación de software personalizada definida para la imagen personalizada en el Watson Machine Learning repositorio
  2. Despliegue el modelo

Más consideraciones

Si utiliza imágenes personalizadas, debe tener en cuenta los siguientes aspectos:
  • Las imágenes personalizadas que se crearon antes del lanzamiento no 4.0.6 funcionarán después de la actualización.
  • Las imágenes personalizadas para la implementación solo se pueden crear para entornos Python con CPU.
  • Asegúrese de que todas las actualizaciones que se realicen en las imágenes de tiempo de ejecución disponibles en Watson Machine Learning, incluidas todas las actualizaciones de seguridad, también se realicen en sus imágenes personalizadas. Manténgase al corriente de los nuevos fixpacks o cualquier información relacionada. Cuando se publiquen nuevas Cloud Pak for Data versiones de, considere la posibilidad de reconstruir todas sus imágenes personalizadas.
  • Watson Machine Learning Las imágenes personalizadas no se pueden utilizar en Watson Studio ni Data Refinery. Solo se pueden Watson Machine Learning utilizar en.
  • Watson Machine Learning utiliza uwsgi para ejecutar el servidor de implementación. Asegúrate de que los paquetes y bibliotecas adicionales que instales no causen problemas uwsgi.
  • Para obtener la lista de imágenes Watson Machine Learning personalizadas, escriba este comando:
    oc get pods -l type=wml
  • Después de instalar cualquier paquete para Watson Machine Learning, hágalo disponible para wmlfuser:condausers.
  • El código o los Python paquetes de usuario que se copian en el contenedor deben tener permisos de lectura/escritura para todos los usuarios.
  • El gestor de implementación se encarga de la generación de pods:
    oc get pods | grep wml-deployment-manager
    Por lo tanto, los errores de generación de pods se registran con mayor frecuencia en el registro del gestor de implementación:
    oc logs wml-deployment-manager-0 > rm.log