部署空间中的资产

了解您可以在部署空间中使用的各种资产类型，以及将这些资产添加到空间并将其提升到更高层级的操作方法。

将资产添加到空间的方法取决于资产类型。 您可以将一些资产直接添加到空间。 例如，您可以将一个在 Cloud Pak for Data 外部创建的模型添加到您的部署空间中。

其他资产类型源自项目，必须从项目传输到空间。 第三个类包含只能作为另一个资产的依赖关系添加到空间的资产类型。 这些资产类型不会显示在 UI 的 资产 选项卡中。

将资产导入到空间时，请注意以下注意事项:

  • 导入时，将自动为某些资产分配版本号，从版本 1 开始。 如果稍后导入现有资产的更新版本，那么此版本编号将阻止覆盖这些资产。
  • 在空间中运行作业所需的资产或引用必须是导入包的一部分，或者必须单独添加。 如果不添加这些支持资产或引用，那么作业将失败。

可以直接添加到空间的资产类型

  • 连接
  • 数据资产 (来自连接或上载的文件)
  • 模型

要获取更多信息，请参阅：

在项目中创建并可转移到空间中的资产类型

  • 代码包
  • 连接
  • 数据资产 (来自连接或上载的文件)
  • Data Refinery 流程 (Data Refinery flow)
  • Data Replication
  • 环境
  • 函数
  • 作业
  • 模型
  • Notebook
  • 参数集
  • 管道
  • 脚本
  • Shiny 应用程序
  • 提示模板
  • 调整后的模型
  • 自定义基础模型

对于 Shiny 应用程序，请参阅 部署闪亮应用程序。 有关其他资产类型，请参阅 “将资产转移到部署空间 ”。

只能作为依赖关系添加到空间的资产类型

  • 硬件规范
  • 软件包扩展名
  • 软件规范
  • Watson Machine Learning 实验
  • Watson Machine Learning 模型定义

将资产转移到部署空间

在将资产转移到部署空间之前，您必须考虑资产所在的项目类型。

如果您需要通过编程方式在两个不同的平台实例之间传输模型，则必须执行额外的步骤。 有关详细信息，请参阅《 通过编程方式在平台实例之间传输模型》。

从标准 Watson Studio 项目转移资产

如果您的资产位于标准 Watson Studio 项目中，那么可以通过提升该资产来将其转移到部署空间。

有关更多信息，请参阅 将资产提升到部署空间。

注：

如果您要转移到部署空间的资产是使用自定义环境的笔记本，那么您也必须转移该环境。 在某些情况下，必须将环境作为单独的步骤进行传输。 您可以在以下位置找到您的自定义环境管理标签，然后推广它。

或者，您可以导出项目，然后将其导入到部署空间中。 要获取更多信息，请参阅：

如果导出整个项目，那么还会导出任何匹配的定制环境。

如果您的用例需要该用例，那么可以使用 cpdcli 或 cpdctl 从项目中的某些资产创建代码包，然后手动将其导入到空间中。

有关更多信息，请参阅 向部署空间添加代码包。

从不推荐的基于 Git的项目传输资产

可用方案与适用于从标准 Watson Studio 项目转移资产的方案相同。

注：

在将资产移至部署空间之前，必须将更改与 Git 存储库同步。 如果资产依赖于任何其他资产 (例如，定制环境) ，那么您也必须同步这些资产。

从基于 Git的标准项目转移资产

在将资产移至部署空间之前，必须将更改与 Git 存储库同步。 如果资产依赖于任何其他资产 (例如，定制环境) ，那么还必须同步这些资产。 要从基于标准 Git的项目转移资产，请导出该项目，然后将其导入到部署空间中。 要获取更多信息，请参阅：

如果导出整个项目，那么还会导出任何匹配的定制环境。

如果特定用例需要代码包，那么您还可以使用 cpdcli 或 cpdctl 从项目中的某些资产创建代码包，然后手动将其导入到空间中。

有关更多信息，请参阅 向部署空间添加代码包。

注: 当您使用基于 Git的项目时， Notebook ，脚本和 Shiny 应用程序将表示为 Git 存储库中的文件。 将 Git 归档文件导入到部署空间时，可以在导入过程中创建的代码包资产内访问所有这些文件类型。

通过编程方式在平台实例之间传输模型

如果您需要通过编程方式在不同平台实例之间传输模型，请按照以下步骤操作：

  1. 登录您的第一个实例。
  2. 将该模型下载为 tar.gz 文件。
  3. 登录您的第二个实例。
  4. 准备 meta_props 存放您的模型。
  5. 将模型保存到 my_model.tar.gz 本地文件路径。

请参阅以下示例代码：

# Log into your first instance.
# Download the model to a tar.gz file
client.repository.download("<model ID>", 'my_model.tar.gz')

# Log into your second instance
# Prepare meta_props for storing your model
sw_spec_uid = client.software_specifications.get_uid_by_name("<name of software specification>")
meta_props = {
    client.repository.ModelMetaNames.NAME: "New model",
    client.repository.ModelMetaNames.SOFTWARE_SPEC_UID: sw_spec_uid,
    client.repository.ModelMetaNames.TYPE: "type of software specification"}

# Store model, where my_model.tar.gz is a path to a local file
client.repository.store_model("my_model.tar.gz", meta_props=meta_props)
重要提示： 请勿更改导出模型的目录结构。 如果你这样做，该模型的部署可能会失败。

有关如何使用 Python 客户端的更多详细信息，请参阅 Python 客户端文档。

有关导入在 Cloud Pak for Data 外部训练的模型的信息，请参阅 《将模型导入部署空间》。

了解更多

有关使用空间资产的更多信息，请参阅: