Oracle Cloud Infrastructure - Dokumentation

Modell bearbeiten

Sie können einige Data Science-Modelloptionen bearbeiten (aktualisieren).

Wenn Sie Metadaten zu einem Modell hinzugefügt haben, können Sie die Herkunft und Taxonomie bearbeiten. Die Eingabe- und Ausgabeschemas können Sie nicht bearbeiten.

Sie können den Modellnamen und die Beschreibung bearbeiten. Alle anderen Optionen können nicht geändert werden. Ändern Sie ein Modell, indem Sie es wieder in eine Notizbuchsession laden, eine Änderung vornehmen und dann als neues Modell speichern.

    1. Wählen Sie auf der Seite "Modelle" den Namen des Modells aus. Wenn Sie Hilfe bei der Suche nach der Liste der Modelle benötigen, finden Sie weitere Informationen unter Modelle auflisten.

      Die Seite mit den Modelldetails wird geöffnet.

    2. Wählen Sie bearbeiten aus.
    3. (Optional) Ändern Sie den Namen, die Beschreibung oder das Versionslabel.
    4. (Optional) Wählen Sie im Feld Modellherkunft die Option Auswählen aus.
      1. Wählen Sie Notebook-Session oder Joblauf aus, je nachdem, wo Sie die Taxonomiedokumentation speichern möchten.
      2. Suchen Sie mit einer der folgenden Optionen nach der Notizbuchsession oder dem Joblauf, mit der das Modell trainiert wurde:
        Projekt auswählen:

        Wählen Sie den Namen des Projekts aus, das im ausgewählten Compartment verwendet werden soll.

        Das ausgewählte Compartment gilt sowohl für das Projekt als auch für die Notizbuchsession oder den Joblauf, und beide müssen sich in demselben Compartment befinden. Andernfalls verwenden Sie stattdessen die OCID-Suche.

        Sie können das Compartment sowohl für das Projekt als auch für die Notebook-Session oder den Joblauf ändern.

        Der Name des Projekts, das im ausgewählten Compartment verwendet werden soll.

        Wählen Sie die Notizbuchsession oder den Joblauf aus, mit der/dem das Modell trainiert wurde.

        OCID-Suche:

        Wenn sich die Notizbuchsession oder der Joblauf in einem anderen Compartment als das Projekt befindet, geben Sie die Notizbuchsession oder die Joblauf-OCID ein, in der Sie das Modell trainiert haben.

      3. Wählen Sie die Notizbuchsession oder den Joblauf aus, mit der/dem das Modell trainiert wurde.
      4. (Optional) Wählen Sie Erweiterte Optionen anzeigen aus, um Git- und Modelltrainingsinformationen zu identifizieren.

        Geben Sie einen der folgenden Werte ein, oder wählen Sie sie aus:

        Git-Repository-URL

        Die URL des Git-Remote-Repositorys.

        Git-Commit

        Die Commit-ID des Git-Repositorys.

        Git-Verzweigung

        Name der Verzweigung

        Lokales Modellverzeichnis

        Der Verzeichnispfad, in dem das Modellartefakt temporär gespeichert wurde. Dies kann beispielsweise ein Pfad in einer Notizbuchsession oder ein lokales Computerverzeichnis sein.

        Modelltrainingsskript

        Der Name des Python-Skriptes oder der Notizbuchsession, mit dem das Modell trainiert wurde.

        Tipp

        Sie können auch Metadaten zur Modellherkunft auffüllen, wenn Sie ein Modell mit den OCI-SDKs oder der CLI im Modellkatalog speichern.

      5. Wählen Sie Auswählen aus.
    5. (Optional) Wählen Sie im Feld Modelltaxonomie die Option Auswählen aus, um das Modell, das Framework für maschinelles Lernen und Hyperparameter anzugeben, um benutzerdefinierte Metadaten zum Dokumentieren des Modells oder zum Hochladen eines Artefakts zu erstellen.
      Wichtig

      Die maximal zulässige Größe für alle Modellmetadaten beträgt 32000 Byte. Die Größe ist eine Kombination aus der voreingestellten Modelltaxonomie und den benutzerdefinierten Attributen.

      1. Fügen Sie im Abschnitt Modelltaxonomie voreingestellte Labels wie folgt hinzu:

        Geben Sie Folgendes ein, bzw. wählen Sie Folgendes aus:

        Modelltaxonomie
        Anwendungsfall

        Der zu verwendende ML-Anwendungsfall.

        Modell-Framework

        Die Python-Library, mit der Sie das Modell trainiert haben.

        Modell-Framework-Version

        Die Version des Frameworks für maschinelles Lernen. Hier kann frei formulierter Text angegeben werden. Beispiel: Der Wert könnte 2.3 lauten.

        Modellalgorithmus oder Modellschätzerobjekt

        Der verwendete Algorithmus oder die Modellinstanzklasse. Hier kann frei formulierter Text angegeben werden. Beispiel: Der Wert könnte sklearn.ensemble.RandomForestRegressor lauten.

        Modellhyperparameter

        Die Hyperparameter des Modells im JSON-Format.

        Artefakttestergebnisse

        Die JSON-Ausgabe der Introspektionstestergebnisse auf Clientseite. Diese Tests sind im Boilerplate-Code des Modellartefakts enthalten. Sie können sie optional ausführen, bevor Sie das Modell im Modellkatalog speichern.

        Benutzerdefinierte Label/Wert-Attributpaare erstellen
        Label

        Das Schlüssellabel Ihrer benutzerdefinierten Metadaten.

        Wert

        Der an den Schlüssel angehängte Wert.

        Kategorie

        (Optional) Die Kategorie der Metadaten aus vielen Optionen, darunter:

        • Performance

        • training profile

        • training and validation datasets

        • training environment

        • andere

        Anhand der Kategorie können Sie benutzerdefinierte Metadaten für die Anzeige in der Konsole gruppieren und filtern. Dies ist nützlich, wenn Sie viele benutzerdefinierte Metadaten verfolgen möchten.

        Beschreibung

        (Optional) Geben Sie eine eindeutige Beschreibung der benutzerdefinierten Metadaten ein.

        Artefakt hochladen
        1. Wählen Sie für das betreffende Modell für die Taxonomieattribute "Lizenz", "Readme", "Deployment-Konfiguration" und "FineTune-Konfiguration" oder für benutzerdefinierte Modellattribute im Menü Aktionen (drei Punkte) die Option Artefakt hochladen aus.
        2. Laden Sie eine Artefaktdatei hoch, indem Sie die Datei löschen oder die Datei auswählen.
        3. Wählen Sie Hochladen aus.
        Artefakt herunterladen
        1. Wählen Sie für das betreffende Modell im Menü Aktionen (drei Punkte) die Option Artefakt herunterladen aus.
        Artefakt löschen
        1. Wählen Sie für das betreffende Modell im Menü Aktionen (drei Punkte) die Option Artefakt löschen aus.
        2. Klicken Sie auf Löschen.
      2. Wählen Sie Auswählen aus.
    6. (Optional) Wählen Sie Erweiterte Optionen anzeigen, um Tags zu ändern.
    7. (Optional) Fügen Sie im Abschnitt Tags dem <resourceType> mindestens ein Tag hinzu. Wenn Sie über Berechtigungen zum Erstellen einer Ressource verfügen, sind Sie auch berechtigt, Freiformtags auf diese Ressource anzuwenden. Um ein definiertes Tag anzuwenden, müssen Sie über die Berechtigungen verfügen, den Tag-Namespace zu verwenden. Weitere Informationen zu Tagging finden Sie unter Ressourcentags. Wenn Sie nicht sicher sind, ob Sie Tags anwenden sollen, überspringen Sie diese Option, oder fragen Sie einen Administrator. Sie können Tags später anwenden.
    8. Wählen Sie Änderungen speichern aus.

  • Verwenden Sie den Befehl oci data-science model update und die erforderlichen Parameter, um ein Modell zu bearbeiten (aktualisieren):

    oci data-science model update --model-id <model-id>... [OPTIONS]

    Eine vollständige Liste der Flags und Variablenoptionen für CLI-Befehle finden Sie in der CLI-Befehlsreferenz.

  • Mit dem Vorgang UpdateModel können Sie ein Modell bearbeiten (aktualisieren).