Importando modelos para um espaço de implementação

Incluindo um modelo usando a UI

Para importar um modelo usando UI:

1. Na guia Assets (Ativos ) do seu espaço no watsonx.ai Runtime, clique em Import assets (Importar ativos).
2. Vá para Arquivo local e selecione Modelo
3. Selecione o arquivo de modelo que você deseja importar e clique em Importar

O mecanismo de importação seleciona automaticamente um tipo de modelo correspondente e uma especificação de software com base na cadeia de versão no arquivo .xml

Importando um objeto modelo

Para importar um objeto modelo:

1. Se seu modelo estiver localizado em um local remoto, siga Fazendo download de um modelo que está armazenado em um local remoto.
2. Armazene o objeto de modelo em seu repositório de tempo de execução watsonx.ai. Para obter mais informações, consulte Armazenamento de modelo no repositório de tempo de execução watsonx.ai.

Como importar um modelo usando um caminho para um arquivo

Para importar um modelo usando um caminho para um arquivo:

1. Se o seu modelo estiver localizado em um local remoto, siga Baixando um modelo que é armazenado em um local remoto para baixá-lo.

2. Se o modelo for local, coloque-o em um diretório específico:

     !cp <saved model> <target directory>
     !cd <target directory>
   

3. Para os modelos scikit-learn, XGBoost, Tensorflow e PyTorch, se o arquivo transferido por download não for um archive .tar.gz, crie um archive:

     !tar -zcvf <saved model>.tar.gz <saved model>
   

   O arquivo de modelo deve estar na pasta de nível superior do diretório, por exemplo:

   assets/
   <saved model>
   variables/
   variables/variables.data-00000-of-00001
   variables/variables.index
   

4. Use o caminho do arquivo salvo para armazenar o arquivo de modelo no repositório do watsonx.ai Runtime. Para obter mais informações, consulte Armazenamento de modelo no repositório de tempo de execução watsonx.ai.

Como importar um modelo usando um caminho para um diretório

Para importar um modelo usando um caminho para um diretório:

1. Se o seu modelo estiver localizado em um local remoto, consulte Fazendo download de um modelo armazenado em um local remoto.

2. Se o modelo for local, coloque-o em um diretório específico:

   !cp <saved model> <target directory>
   !cd <target directory>
   

   Para modelos scikit-learn, XGBoost, Tensorflowe PyTorch , o arquivo de modelo deve estar na pasta de nível superior do diretório, por exemplo:

   assets/
   <saved model>
   variables/
   variables/variables.data-00000-of-00001
   variables/variables.index
   

3. Use o caminho do diretório para armazenar o arquivo de modelo em seu repositório de tempo de execução watsonx.ai. Para obter mais informações, consulte Armazenamento de modelo no repositório de tempo de execução watsonx.ai.

Fazendo download de um modelo armazenado em um local remoto

Siga este código de amostra para fazer o download do modelo de um local remoto:

import os
from wget import download

target_dir = '<target directory name>'
if not os.path.isdir(target_dir):
    os.mkdir(target_dir)
filename = os.path.join(target_dir, '<model name>')
if not os.path.isfile(filename):
    filename = download('<url to model>', out = target_dir)

Modelos salvos no formato PMML

• O único tipo de implementação disponível para modelos que são importados do PMML é a implementação online.
• O arquivo PMML deve ter a extensão .xml .
• Os modelos PMML não podem ser usados em um fluxo de transmissão do SPSS.
• O arquivo PMML não deve conter um prólogo. Dependendo da biblioteca que você está usando ao salvar seu modelo, um prolog pode ser incluído no início do arquivo por padrão Por exemplo, se o seu arquivo contém uma sequência de caracteres de prólogo como spark-mllib-lr-model-pmml.xml, remova a sequência de caracteres antes de importar o arquivo PMML para o espaço de implementação.

Dependendo da biblioteca que você está usando ao salvar seu modelo, um prolog pode ser incluído no início do arquivo por padrão, como neste exemplo:

::::::::::::::
spark-mllib-lr-model-pmml.xml
::::::::::::::

Você deve remover esse prólogo antes de importar o arquivo PMML para o watsonx.ai Runtime.

Modelos Spark MLlib

• Apenas modelos de classificação e regressão estão disponíveis.
• Transformadores customizados, funções definidas pelo usuário e classes não estão disponíveis.

Scikit-modelos de aprendizagem

• .pkl e .pickle são os formatos de importação disponíveis.
• Para serializar ou selecionar o modelo, use o pacote joblib
• Apenas modelos de classificação e regressão estão disponíveis.
• O tipo de entrada do Quadro de Dados Pandas para a API predict() não está disponível.
• O único tipo de implementação disponível para modelos scikit-learn é a implementação on-line.

Modelos XGBoost

• .pkl e .pickle são os formatos de importação disponíveis.
• Para serializar ou selecionar o modelo, use o pacote joblib
• Apenas modelos de classificação e regressão estão disponíveis.
• O tipo de entrada do Quadro de Dados Pandas para a API predict() não está disponível.
• O único tipo de implementação disponível para modelos XGBoost é a implementação online.

Modelos TensorFlow

• .pb, .h5e .hdf5 são os formatos de importação disponíveis..
• Para salvar ou serializar um modelo de TensorFlow , use o método tf.saved_model.save()
• O tf.estimator não está disponível
• Os únicos tipos de implementação disponíveis para modelos TensorFlow são: implementação on-line e implementação em lote.

Modelos de PyTorch

• O único tipo de implementação disponível para modelos PyTorch é a implementação on-line.

• Para que um modelo Pytorch possa ser importado para o watsonx.ai Runtime, ele deve ser previamente exportado para o formato ' .onnx. Consulte este código.

  torch.onnx.export(<model object>, <prediction/training input data>, "<serialized model>.onnx", verbose=True, input_names=<input tensor names>, output_names=<output tensor names>)