Oracle Cloud Infrastructure - Dokumentation

Modell mit der Konsole erstellen und speichern

Erstellen Sie ein Modell in der Konsole, und speichern Sie es direkt im Modellkatalog.

Um ein Modell zu dokumentieren, müssen Sie die Metadaten vorbereiten, bevor Sie es erstellen und speichern.

Diese Aufgabe umfasst die Erstellung eines Modells, das Hinzufügen von Metadaten, die Definition der Trainingsumgebung, die Angabe von Vorhersageschemas und das Speichern des Modells im Modellkatalog.
Wichtig

Wenn ein Modell gespeichert wird, das an anderer Stelle trainiert wurde oder Sie die Konsole verwenden möchten, können Sie ein Modell wie folgt speichern:

  1. Erstellen Sie auf der Seite Data-Science-Modelle ein Modellartefakt-ZIP-Archiv auf dem lokalen Rechner, das die Dateien score.py und runtime.yaml enthält (und alle anderen Dateien, die zum Ausführen des Modells erforderlich sind). Wählen Sie ZIP mit Beispielartefakt herunterladen aus, um Beispieldateien abzurufen, die Sie zum Erstellen des Modellartefakts ändern können. Wenn Sie Hilfe beim Suchen der Modellliste benötigen, lesen Sie Modelle auflisten.
  2. Wählen Sie auf der Listenseite Projekte das Projekt aus, das die Modelle enthält, mit denen Sie arbeiten möchten. Wenn Sie Hilfe beim Suchen der Listenseite oder des Projekts benötigen, finden Sie weitere Informationen unter Projekte auflisten.
  3. Wählen Sie auf der Seite mit den Projektdetails Modelle aus.
  4. Wählen Sie auf der Listenseite Modelle die Option Modell erstellen.
Die Seite Modell erstellen wird geöffnet.

1. Basisinformationen

Laden Sie das Modellartefakt hoch, oder referenzieren Sie es, und geben Sie grundlegende identifizierende Informationen an.

  • Compartment: Wählen Sie das Compartment aus, in dem das Modell enthalten sein soll.
  • Name (optional): Geben Sie einen eindeutigen Namen ein (max. 255 Zeichen). Wenn Sie keinen Namen angeben, wird automatisch ein Name generiert. Beispiel: model20200108222435
  • Beschreibung (optional): Geben Sie eine Beschreibung (max. 400 Zeichen) für das Modell ein.
  • Modellartefakt: Wählen Sie die entsprechende Option aus.
    • Modellartefakt hochladen: Laden Sie das Modellartefaktarchiv (eine ZIP-Datei) hoch, indem Sie es in das Feld ziehen.
    • Modell per Referenz
      • Compartment
      • Bucket
      • Objektnamenpräfix (optional): Geben Sie ein Objektnamenpräfix ein. Das Präfix muss sich auf das Root-Verzeichnis der Modellartefakte beziehen. Sie besteht aus allen Artefakten, die sich auf das Modell beziehen, wobei score.py und runtime.yaml auf der ersten Ebene im Präfix enthalten sind.

2. Modellversionsset

Wählen Sie entweder ein vorhandenes Versionsset für das neue Modell, oder erstellen Sie ein neues Versionsset für das neue Modell.

  • Aus vorhandenen Versionssets auswählen
  • Modell in einem neuen Versionsset erstellen
    • Compartment: Wählen Sie das Compartment für das Versionsset aus.
    • Versionssetname: Geben Sie den Namen für das Versionsset ein. Der Name muss innerhalb des Compartments eindeutig sein.
    • Beschreibung (Optional)
    • Erweiterte Optionen (optional)
      • Modellname
      • Versionslabel
      • Tags
    • Versionslabel (optional)

    Siehe auch Modellversionsset erstellen.

3. Modellherkunft

  • Modellherkunft auswählen: Wählen Sie die relevante Option zum Speichern der Taxonomiedokumentation aus.
    • Notizbuchsession
    • Joblauf: Wählen Sie die entsprechende Option aus, und wählen Sie den Joblauf aus.
  • Notizbuchsession suchen/Joblauf suchen: Wählen Sie die gewünschte Suchoption aus, und wählen Sie dann die Notizbuchsession oder den Joblauf aus, mit der bzw. dem das Modell trainiert wurde.
    • Projekt auswählen: Wählen Sie den Namen des Projekts aus, das im ausgewählten Compartment verwendet werden muss.

      Das ausgewählte Compartment gilt sowohl für das Projekt als auch für die Notizbuchsession oder den Joblauf, und beide müssen sich in demselben Compartment befinden Wenn nicht, suchen Sie stattdessen nach OCID. Sie können das Compartment sowohl für die Projekt- als auch für die Notizbuchsession oder den Joblauf ändern.

    • Nach OCID suchen: Wenn sich die Notizbuchsession oder der Joblauf in einem anderen Compartment als das Projekt befindet, geben Sie die Notizbuchsession oder Joblauf-OCID ein, in der Sie das Modell trainiert haben.
  • Schulungscode (unter Erweiterte Optionen) (optional): Identifizieren Sie Git- und Modelltrainingsinformationen.
    • Git-Repository-URL: Die URL des Remote-GIT-Repositorys.
    • Git-Verzweigung: Der Name einer Verzweigung.
    • Git Commit: Die Commit-ID für das Git-Repository.
    • Lokales Modellverzeichnis: Der Verzeichnispfad, unter dem das Modellartefakt temporär gespeichert wurde. Dies kann beispielsweise ein Pfad in einer Notizbuchsession oder ein lokales Computerverzeichnis sein.
    • Modelltrainingskript: Der Name des Python-Skripts oder der Notizbuchsession, mit dem/der das Modell trainiert wurde.
    Tipp

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

4. Modelltaxonomie

Geben Sie optional an, was das Modell tut, das Framework für maschinelles Lernen, Hyperparameter oder benutzerdefinierte Metadaten zum Dokumentieren des Modells.

Wichtig

Die maximal zulässige Größe für alle Modellmetadaten beträgt 32000 Byte. Die Größe ist eine Kombination aus der voreingestellten Modelltaxonomie und den benutzerdefinierten Attributen.
  • Modelltaxonomie dokumentieren (optional)
    • Anwendungsfall: Der zu verwendende Anwendungsfalltyp für maschinelles Lernen.
    • Artefakttestergebnisse: Die JSON-Ausgabe der Introspektionstesterträge auf Clientseite. Diese Tests sind im Boilerplate-Code des Modellartefakts enthalten. Sie können sie optional ausführen, bevor Sie das Modell im Modellkatalog speichern.
    • Modell-Framework: Die Python-Library, mit der Sie das Modell trainiert haben.
    • Modell-Framework-Version: Die Version der Machine Learning-Frameworks. Hier kann frei formulierter Text angegeben werden. Beispiel: Der Wert könnte 2.3 lauten.
    • Modellalgorithmus oder Modellschätzerobjekt: Der verwendeten 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.
  • Benutzerdefinierte Label/Wert-Attributpaare erstellen (optional)
    • Label: Das Schlüssellabel der benutzerdefinierten Metadaten.
    • Wert: Der dem Schlüssel angehängte Wert.
    • Kategorie(Optional): Die Kategorie der Metadaten aus vielen Auswahlmöglichkeiten, 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.
    • Suchschlüsselwörter
  • Metadatenartefakt hochladen (optional)
    Hinweis

    Sie können die Artefaktdatei nur hochladen, wenn das Modell erstellt wird.
    • Name des Metadatenfeldes
    • Wert
    • Schlüsselwörter suchen (optional): Geben Sie Suchschlüsselwörter ein, um das Artefakt zu finden.

5. Modell-Eingabe- und Ausgabeschema

Dokumentieren Sie optional die Modellvorhersagen. Sie definieren Modellvorhersagefeatures, die das Modell für eine erfolgreiche Vorhersage benötigt. Außerdem definieren Sie Eingabe- und Ausgabeschemas, die vom Modell zurückgegebenen Vorhersagen beschreiben (in der Datei score.py mit der Funktion predict() definiert).

Wichtig

Beim Erstellen des Modells können Sie die Eingabe- und Ausgabedatenschemas nur dokumentieren. Sie können die Schemas nach der Modellerstellung nicht bearbeiten. Die maximal zulässige Dateigröße für die Kombination aus Ein- und Ausgabeschemas beträgt 32000 Byte.
  • Eingabeschemadatei hochladen: Ziehen Sie die JSON-Eingabeschemadatei in das Feld.
  • Ausgabeschemadatei hochladen: Ziehen Sie die JSON-Ausgabeschemadatei in das Feld.

6. Backup und Aufbewahrung

Richten Sie optional Backup und Aufbewahrung ein.

  • Backup aktivieren
    • Region
    • Benachrichtigungen
  • Modellaufbewahrung aktivieren
    • Benachrichtigungen
    • Archivierungsregel: Automatischer Aufbewahrungszeitraum in Tagen
    • Löschregel: Zeitraum für automatisches Löschen in Tagen nach Archivierung

Prüfen und erstellen

Prüfen Sie die Konfiguration, und wählen Sie Erstellen aus.