watsonx.ai运行时Python客户端示例和示例

查看并使用使用watsonx.aiRuntimePython库的Jupyter笔记本示例，演示机器学习功能和技术。每个 Notebook 都列出了学习目标，以便您可以找到最符合您目标的学习目标。

从 Notebook 中训练和部署模型

如果选择在 Notebook 中构建机器学习模型，那么您必须熟悉 Jupyter Notebook中的编码。 Jupyter Notebook 是基于 Web 的交互式计算环境。您可以运行处理数据的小部分代码，然后立即查看计算结果。使用该工具，您可以组装、测试和运行处理数据所需的所有构建模块，将数据保存到watsonx.aiRuntime，并部署模型。

从样本 Notebook 中学习

存在许多方法来构建和训练模型，然后对其进行部署。因此，学习的最佳方法是查看带注释的样本，这些样本通过使用不同的框架来指导您完成此过程。查看演示关键功能的代表性样本。

样本是通过使用V4版本的watsonx.ai Python客户端库构建的。

观看此视频以了解如何在 Jupyter Notebook中训练，部署和测试机器学习模型。此视频反映了在 部署样本 表中找到的 使用 scikit-learn 识别手写数字 。

此视频提供了一种可视方法来学习本文档中的概念和任务。

观看本视频，了解如何在Jupyter Notebook 中使用watsonx.aiRuntime API 测试使用AutoAI创建的模型。

此视频提供了一种可视方法来学习本文档中的概念和任务。

有用变量

使用预定义的 PROJECT_ID 环境变量来调用 watsonx.ai Python 客户机 API。 PROJECT_ID 是运行环境的项目的指南。

部署样本

查看或运行这些Jupyter笔记本，了解如何使用各种框架实现技术。一些样本依赖于经过训练的模型，这些模型也可供从公共存储库下载。

重要信息：如果您的 {{ site.data.keyword.wx-platform }} 账户位于达拉斯 IBM Cloud 地区，您可以使用表中的链接。否则，请在 {{ site.data.keyword.gallery }} 中搜索样本名称。并非所有地区或云平台都提供该样本。

注：

从主导航菜单中选择资源中心，即可访问资源中心。

样本笔记本
样本名称	框架	演示的方法
使用 scikit-learn 和定制库预测温度	Scikit-learn	使用自定义转换器训练模型在watsonx.aiRuntime 资源库中保存自定义转换器和模型使用watsonx.aiRuntime 服务部署模型使用部署的模型执行预测
使用 PMML 预测鸢尾花物种	PMML	部署 PMML 模型并进行评分
使用 Python 函数识别手写数字	Python	使用函数来存储样本模型，然后部署样本模型。
使用 scikit-learn 识别手写数字	Scikit-learn	训练 sklearn 模型将训练好的模型保存在watsonx.ai运行时存储库中使用客户端库部署模型进行在线评分使用客户端库对样本记录进行评分
使用 Spark 和批量部署预测客户流失率	Spark	将 CSV 文件载入Apache SparkDataFrame 探索数据准备用于训练和评估的数据创建Apache Spark机器学习管道训练和评估模型在watsonx.aiRuntime 存储库中保存管道和模型使用 plotly 软件包探索预测结果并将其可视化使用watsonx.aiRuntime API 部署模型进行批量评分
使用 Spark 和 Python 预测信用风险	Spark	将 CSV 文件加载到 Apache® Spark DataFrame 探索数据准备用于训练和评估的数据在 watsonx.ai 运行时存储库中持久保存来自 tar.gz 文件的管道和模型使用 watsonx.ai 运行时 API 使用 watsonx.ai 运行时 API 对样本数据进行评分使用 plotly 软件包探索和可视化预测结果
使用 SPSS 预测客户流失率	SPSS	使用实例使用已部署的模型执行 SPSS 模型的联机部署评分数据
使用 XGBoost 对肿瘤进行分类	XGBoost	将 CSV 文件载入 numpy 数组探索数据准备用于训练和评估的数据创建 XGBoost 机器学习模型训练和评估模型使用交叉验证来优化模型的超参数将模型保存在watsonx.ai运行时存储库中部署模型进行在线评分对样本数据进行评分
预测汽车业务	Spark	下载外部训练的Keras模型和数据集。将外部模型保存在watsonx.aiRuntime 资源库中。使用客户端库部署在线评分模型。使用客户端库对样本记录进行评分。
针对软件规范部署 Python 函数	核心	创建Python函数创建网络服务对模型进行评分
机器学习工件管理	核心	导出和导入工件装入，部署和对外部创建的模型进行评分
使用 Decision Optimization 计划您的饮食	核心	利用Decision Optimization创建饮食计划模型
使用 SPSS 和批量部署 Db2 预测客户流失率	SPSS	将 CSV 文件加载到 Apache Spark DataFrame 探索数据准备用于训练和评估的数据在 watsonx.ai 运行时存储库中持久保存来自 tar.gz 文件的管道和模型使用 watsonx.ai 运行时 API 使用 watsonx.ai 运行时 API 对样本数据进行评分使用 plotly 软件包探索和可视化预测结果
通过 ibm- watsonx -ai 使用 scikit-learn 和人工智能生命周期功能预测加州房价	Scikit-learn	下载外部训练的 scikit-learn 模型和数据集在 watsonx.ai 运行时存储库中持久化外部模型使用客户端库部署模型进行在线评分使用客户端库对样本记录进行评分更新先前持久化的模型就地重新部署模型扩大部署规模
利用 Scikit-learn 进行德国信贷风险预测，实现模型监控	Scikit-learn	培训、创建和部署具有监控功能的信用风险预测模型
监测德国信贷风险模型	Scikit-learn	利用IBM Watson OpenScale功能训练、创建和部署信用风险预测模型
将 ONNX 神经网络从固定轴转换为动态轴，并与 ibm- watsonx -ai 一起使用	ONNX	设置环境 ' 创建并导出基本 ONNX 模型 ' 将模型从固定轴转换为动态轴 ' 保存转换后的 ONNX 模型 ' 部署 ONNX 模型并进行评分 ' 清理 ' 总结和下一步操作
使用用 ibm- watsonx -ai 从 PyTorch 转换而来的 ONNX 模型	ONNX	使用数据集创建PyTorch模型。将PyTorch模型转换为 ONNX 格式 ' 将转换后的模型保存在Watson Machine Learning资源库中。使用客户端库部署在线评分模型。使用客户机库对样本记录进行评分。
使用从 TensorFlow 转换而来的 ONNX 模型，用 ibm- watsonx -ai 识别手写数字	ONNX	下载外部训练的TensorFlow模型和数据集。将TensorFlow模型转换为 ONNX 格式 ' 将转换后的模型保存在Watson Machine Learning资源库中。使用客户端库部署在线评分模型。使用客户机库对样本记录进行评分。

AutoAI 样本

查看或运行这些 Jupyter Notebook 以了解如何实现 AutoAI 模型方法。

注：