Documentación de Oracle Cloud Infrastructure

Creación y guardado de un modelo con la consola

Cree un modelo en la consola y guárdelo directamente en el catálogo de modelos.

Para documentar un modelo, debe preparar los metadatos antes de crearlo y guardarlo.

Esta tarea implica la creación de un modelo, la adición de metadatos, la definición del entorno de entrenamiento, la especificación de esquemas de predicciones y el guardado del modelo en el catálogo de modelos.
Importante

  • Recomendamos crear y guardar modelos en el catálogo de modelos mediante programación en su lugar, ya sea mediante ADS o el SDK de OCI Python.
  • Puede utilizar ADS para crear modelos grandes. Los modelos grandes tienen limitaciones de artefactos de hasta 400 GB.
  • Los modelos almacenados en el catálogo de modelos también se pueden desplegar mediante el despliegue de modelo.

Si desea guardar un modelo entrenado en otro lugar o utilizar la consola, utilice estos pasos para guardar un modelo:

  1. En la página de modelos de Data Science, cree un archivo zip de artefacto de modelo en la máquina local que contenga los archivos score.py y runtime.yaml (y cualquier otro archivo necesario para ejecutar el modelo). Seleccione Descargar zip de artefactos de muestra para obtener los archivos de ejemplo que puede cambiar para crear el artefacto de modelo. Si necesita ayuda para encontrar la lista de modelos, consulte Lista de modelos.
  2. En la página de lista Proyectos, seleccione el proyecto que contiene los modelos con los que desea trabajar. Si necesita ayuda para buscar la página de lista o el proyecto, consulte Lista de proyectos.
  3. En la página de detalles del proyecto, seleccione Modelos.
  4. En la página de lista Modelos, seleccione Crear modelo.
Se abre la página Crear modelo.

1. Información básica

Cargue o haga referencia al artefacto del modelo y proporcione información de identificación básica.

  • Compartimento: seleccione el compartimento que va a contener el modelo.
  • Nombre (opcional): introduzca un nombre único (límite de 255 caracteres). Si no se proporciona un nombre, se genera automáticamente un nombre. Ejemplo: model20200108222435
  • Descripción (opcional): introduzca una descripción (límite de 400 caracteres) para el modelo.
  • Modelar artefacto: seleccione la opción correspondiente.
    • Cargar artefacto de modelo: cargue el archivo de artefacto de modelo (un archivo zip) arrastrándolo al cuadro.
    • Modelo por referencia
      • Compartimento
      • Cubo
      • Prefijo de nombre de objeto (opcional): introduzca un prefijo de nombre de objeto. El prefijo debe hacer referencia al directorio raíz de los artefactos del modelo. Consta de todos los artefactos relacionados con el modelo, con score.py y runtime.yaml en el primer nivel dentro del prefijo.

2. Juego de versiones del modelo

Seleccione un juego de versiones existente para el nuevo modelo o cree un nuevo juego de versiones para el nuevo modelo.

  • Seleccionar desde juegos de versiones existentes
  • Crear modelo en un nuevo juego de versiones
    • Compartimento: seleccione el compartimento para el juego de versiones.
    • nombre de juego de versiones: introduzca el nombre del juego de versiones. El nombre debe ser único dentro del compartimento.
    • Descripción (opcional)
    • Opciones avanzadas (opcional)
      • Nombre de modelo
      • Etiqueta de la versión
      • Etiquetas
    • Etiqueta de versión (opcional)

    Consulte también Creación de un juego de versiones de modelos.

3. Procedencia de modelo

  • Seleccionar procedencia de modelo: seleccione la opción relevante para almacenar la documentación de taxonomía.
    • Sesión de bloc de notas
    • Ejecución de trabajo: seleccione la opción correspondiente y, a continuación, seleccione la ejecución de trabajo.
  • Buscar una sesión de bloc de notas/Buscar una ejecución de trabajo: seleccione la opción de búsqueda que desea utilizar y, a continuación, seleccione la sesión de bloc de notas o la ejecución de trabajo con la que se entrenó el modelo.
    • Seleccionar un proyecto: seleccione el nombre del proyecto que desea utilizar en el compartimento seleccionado.

      El compartimiento seleccionado se aplica tanto al proyecto como a la sesión de bloc de notas o a la ejecución del trabajo, y ambos deben estar en el mismo compartimiento. Si no es así, busque por OCID. Puede cambiar el compartimento tanto para el proyecto como la sesión de bloc de notas o la ejecución de trabajos.

    • Buscar por OCID: si la sesión de bloc de notas o la ejecución del trabajo están en un compartimento diferente al del proyecto, introduzca el OCID de la sesión de bloc de notas o de la ejecución del trabajo en el que ha entrenado el modelo.
  • Código de entrenamiento (en Opciones avanzadas) (opcional): identifique la información de entrenamiento de Git y modelo.
    • URL de repositorio Git: URL de repositorio remoto Git.
    • Rama de Git: nombre de la rama.
    • Confirmación Git: ID de confirmación del repositorio Git.
    • Directorio de modelo local: ruta de acceso al directorio donde el artefacto del modelo se ha almacenado temporalmente. Podría ser una ruta de acceso en una sesión de bloc de notas o un directorio de computadora local, por ejemplo.
    • Script de entrenamiento de modelo: nombre del script de Python o la sesión de bloc de notas con la que se entrenó el modelo.
    Consejo

    También puede rellenar los metadatos de procedencia del modelo al guardar un modelo en el catálogo de modelo mediante los SDK de OCI o la CLI.

4. Taxonomía del modelo

Opcionalmente, especifique lo que hace el modelo, el marco de aprendizaje automático, los hiperparámetros o para crear metadatos personalizados para documentar el modelo.

Importante

El tamaño máximo permitido para todos los metadatos del modelo es de 32000 bytes. El tamaño es una combinación de la taxonomía de modelo predefinida y los atributos personalizados.
  • Taxonomía de modelo de documento (opcional)
    • Caso de uso: tipo de caso de uso de Machine Learning que se va a utilizar.
    • Resultados de la prueba de artefacto: salida JSON de los resultados de las pruebas de introspección que se han ejecutado en el cliente. Estas pruebas se incluyen en el código fijo del artefacto de modelo. Puede ejecutarlos de forma opcional antes de guardar el modelo en el catálogo de modelos.
    • Marco de modelo: biblioteca de Python que utilizó para entrenar el modelo.
    • Versión del marco de modelo: versión del marco de aprendizaje automático. Este es un valor de texto libre. Por ejemplo, el valor podría ser 2,3.
    • Algoritmo de modelo u objeto de estimador de modelo: algoritmo utilizado o clase de instancia del modelo. Este es un valor de texto libre. Por ejemplo, sklearn.ensemble.RandomForestRegressor podría ser el valor.
    • Hiperparámetros del modelo: hiperparámetros del modelo en formato JSON.
  • Creación de Pares de Atributos de Etiqueta y Valor Personalizados (Opcional)
    • Etiqueta: etiqueta clave de los metadatos personalizados.
    • Valor: valor asociado a la clave.
    • Categoría (opcional): la categoría de los metadatos de muchas opciones, entre ellas:
      • rendimiento
      • training profile
      • training and validation datasets
      • training environment
      • Otro

      Puede utilizar la categoría para agrupar y filtrar metadatos personalizados que se mostrarán en la consola. Esto es útil si tiene muchos metadatos personalizados de los que desea realizar un seguimiento.

    • Descripción (opcional): introduzca una descripción única de los metadatos personalizados.
    • Buscar Palabras Clave
  • Cargar artefacto de metadatos (opcional)
    Nota

    Solo puede cargar el archivo de artefacto cuando se crea el modelo.
    • Nombre de campo de metadatos
    • Valor
    • Buscar palabras clave (opcional): introduzca palabras clave de búsqueda para ayudar a encontrar el artefacto.

5. Esquema de entrada y salida de modelo

También puede documentar las predicciones del modelo. Puede definir las funciones de predicción de modelo que el modelo requiere para realizar una predicción correcta. También debe definir los esquemas de entrada y salida que describen las predicciones devueltas por el modelo (definidos en el archivo score.py con la función predict()).

Importante

Solo puede documentar los esquemas del dato de entrada y salida al crear el modelo. No puede editar los esquemas posteriores a la creación del modelo. El tamaño máximo de archivo permitido para los esquemas de entrada y salida combinados es de 32 000 bytes.
  • Cargar un archivo de esquema de entrada: arrastre el archivo JSON de esquema de entrada al cuadro.
  • Cargar un archivo de esquema de salida: arrastre el archivo JSON de esquema de salida al cuadro.

6. Copia de seguridad y retención

Opcionalmente, configure la copia de seguridad y la retención.

  • Activar copia de seguridad
    • Región
    • Notificaciones
  • Activar retención de modelo
    • Notificaciones
    • Regla de archivado: período de retención automática en días
    • Regla de supresión: período de supresión automática en días después de archivado

Revisar y crear

Revise la configuración y, a continuación, seleccione Crear.