Création et enregistrement d'un modèle à l'aide de la console
Créez un modèle dans la console et enregistrez-le directement dans le catalogue de modèles.
Pour documenter un modèle, vous devez préparer les métadonnées avant de le créer et de l'enregistrer.
Cette tâche consiste à créer un modèle, à ajouter des métadonnées, à définir l'environnement d'entraînement, à spécifier des schémas de prédiction et à enregistrer le modèle dans le catalogue de modèles.
-
Nous vous recommandons de créer et d'enregistrer des modèles dans le catalogue de modèles par programmation à la place, à l'aide d'ADS ou de la trousse SDK Python pour OCI.
-
Vous pouvez utiliser ADS pour créer des modèles volumineux. Les grands modèles ont des limites d'artefacts allant jusqu'à 400 Go.
Si vous enregistrez un modèle entraîné ailleurs, ou si vous voulez utiliser la console, suivez ces étapes pour enregistrer un modèle :
-
À partir de la page des modèles du service Science des données, créez une archive zip d'artefact de modèle sur votre machine locale contenant les fichiers
score.py
etruntime.yaml
(et tous les autres fichiers nécessaires à l'exécution de votre modèle). Sélectionnez Télécharger le zip d'exemple d'artefact pour obtenir des fichiers-échantillons que vous pouvez modifier afin de créer votre artefact de modèle. Si vous avez besoin d'aide pour trouver la liste des modèles, voir Liste des modèles. - Sélectionnez Créer un modèle.
- Sélectionnez le compartiment qui doit contenir le modèle.
- (Facultatif) Entrez un nom unique (255 caractères au maximum). Si vous ne fournissez pas de nom, un nom est automatiquement généré.
Par exemple
model20200108222435
. - (Facultatif) Entrez une description (limite de 400 caractères) pour le modèle.
- Sélectionnez l'un des champs Charger un artefact de modèle ou Créer un modèle par référence.
-
Si, à l'étape 6, vous avez sélectionné Charger un artefact de modèle, dans la zone Charger un artefact de modèle, sélectionnez Sélectionner pour charger l'archive d'artefact de modèle (fichier zip).
- Faites glisser le fichier zip dans la zone Charger un fichier d'artefact, puis sélectionnez Charger.
-
Si, à l'étape 6, vous avez sélectionné Créer un modèle par référence :
- Sélectionnez un compartiment.
- Sélectionner un seau.
- (Facultatif) Entrez un préfixe de nom d'objet. Le préfixe doit faire référence au répertoire racine des artefacts de modèle. Il se compose de tous les artefacts liés au modèle, avec
score.py
etruntime.yaml
au premier niveau dans le préfixe.
- (Facultatif) Dans la zone Jeu de versions de modèle, sélectionnez Sélectionner, puis Configurer avec un jeu de versions existant ou créer un nouveau jeu.
- (Facultatif) Dans la zone Provenance du modèle, sélectionnez Sélectionner.
- Sélectionnez une session de carnet ou une exécution de travail selon l'endroit où vous voulez stocker la documentation sur la taxonomie.
-
Recherchez la session de carnet ou l'exécution de travail avec laquelle le modèle a été entraîné à l'aide de l'une des options suivantes :
- Sélectionner un projet :
-
Sélectionnez le nom du projet à utiliser dans le compartiment sélectionné.
Le compartiment sélectionné s'applique au projet et à la session de carnet ou à l'exécution de travail qui doivent se trouver tous les deux dans le même compartiment. Sinon, utilisez plutôt la recherche d'OCID.
Vous pouvez modifier le compartiment pour le projet et la session de carnet ou l'exécution de travail.
Nom du projet à utiliser dans le compartiment sélectionné.
Sélectionnez la session de carnet ou l'exécution de travail avec laquelle le modèle a été entraîné.
- Recherche d'OCID :
-
Si la session de carnet ou l'exécution de travail se trouve dans un compartiment différent de celui du projet, entrez l'OCID de la session de carnet ou de l'exécution de travail dans lequel vous avez entraîné le modèle.
- Sélectionnez la session de carnet ou l'exécution de travail avec laquelle le modèle a été entraîné.
- (Facultatif) Sélectionnez Afficher les options avancées pour identifier les informations sur Git et l'entraînement du modèle.
Entrez ou sélectionnez l'une des valeurs suivantes :
- URL du référentiel Git
-
L'URL du référentiel Git distant.
- Validation Git
-
ID validation du référentiel Git.
- Branche Git
-
Nom de la branche.
- Répertoire de modèle local
-
Chemin du répertoire où l'artefact de modèle a été stocké temporairement. Il peut s'agir d'un chemin dans une session de carnet ou d'un répertoire d'ordinateur local, par exemple.
- Script d'entraînement du modèle
-
Nom du script ou de la session de carnet Python avec lequel le modèle a été entraîné.
Conseil
Vous pouvez également alimenter les métadonnées de provenance du modèle lorsque vous enregistrez ce dernier dans le catalogue à l'aide des trousses SDK d'OCI ou de l'interface de ligne de commande.
- Sélectionnez Sélectionner.
- (Facultatif) Dans la zone Taxonomie de modèle, sélectionnez Sélectionner pour spécifier ce que fait le modèle, le cadre d'apprentissage automatique, les hyperparamètres ou pour créer des métadonnées personnalisées pour documenter le modèle.
Important
La taille maximale autorisée pour toutes les métadonnées du modèle est de 32000 octets. La taille est une combinaison de la taxonomie de modèle prédéfinie et des attributs personnalisés.
-
Dans la section Taxonomie de modèle, ajoutez des étiquettes prédéfinies comme suit :
Entrez ou sélectionnez les données suivantes :
Taxonomie de modèle- Cas d'utilisation
-
Type de cas d'utilisation de l'apprentissage automatique à utiliser.
- Cadre du modèle
-
Bibliothèque Python que vous avez utilisée pour entraîner le modèle.
- Version du cadre du modèle
-
Version du cadre d'apprentissage automatique. Il s'agit d'une valeur de texte libre. Par exemple, la valeur pourrait être 2.3.
- Algorithme du modèle ou objet d'évaluation du modèle
-
Algorithme utilisé ou classe d'instance de modèle. Il s'agit d'une valeur de texte libre. Par exemple, la valeur pourrait être
sklearn.ensemble.RandomForestRegressor
. - Hyperparamètres du modèle
-
Hyperparamètres du modèle dans le format JSON.
- Résultats des tests d'artefact
-
Sortie JSON des résultats des tests d'introspection exécutée côté client. Ces tests sont inclus dans le code standard de l'artefact de modèle. Vous pouvez éventuellement les exécuter avant d'enregistrer le modèle dans le catalogue de modèles.
Créer des paires d'attribut de valeur et d'étiquette personnalisées- Étiquette
-
Étiquette de clé des métadonnées personnalisées
- Valeur
-
Valeur associée à la clé
- Catégorie
-
(Facultatif) Catégorie des métadonnées, parmi de nombreux choix, notamment :
-
performance
-
profil d'entraînement
-
jeux de données d'entraînement et de validation
-
environnement d'entraînement
-
autre
Vous pouvez utiliser cette catégorie pour regrouper et filtrer les métadonnées personnalisées à afficher dans la console. Cela est utile lorsque vous souhaitez assurer le suivi de nombreuses métadonnées personnalisées.
-
- Description
-
(Facultatif) Entrez une description unique des métadonnées personnalisées.
- (Facultatif) Ajouter un artefact :
- Sélectionnez le nom du champ de métadonnées.
- Entrez une valeur.
- (Facultatif) Entrez des mots clés de recherche pour rechercher l'artefact.
- Pour ajouter un autre artefact, sélectionnez Attribut défini par +Add et répétez les étapes précédentes. Vous pouvez répéter cette étape jusqu'à ce que vous disposiez de 25 artefacts.
Note
Vous ne pouvez charger le fichier d'artefact que lorsque le modèle est créé. - Sélectionnez Sélectionner.
-
Dans la section Taxonomie de modèle, ajoutez des étiquettes prédéfinies comme suit :
- (Facultatif) Sélectionnez Sélectionner dans la zone Documenter le schéma des données d'entrée et de sortie du modèle pour documenter les prévisions du modèle. Vous définissez les fonctions de prédiction de modèle dont le modèle a besoin pour réussir une prédiction. Vous définissez également des schémas d'entrée et de sortie qui décrivent les prédictions retournées par le modèle (définies dans le fichier
score.py
avec la fonctionpredict()
).Important
La taille de fichier maximale autorisée pour les schémas d'entrée et de sortie combinés est de 32 000 octets.
- Faites glisser le fichier JSON du schéma d'entrée dans la zone Charger un schéma d'entrée.
- Faites glisser le fichier JSON du schéma de sortie vers la zone Charger un schéma de sortie.
- Sélectionnez Sélectionner.
Important
Vous pouvez documenter les schémas de données d'entrée et de sortie uniquement lorsque vous créez le modèle. Vous ne pouvez pas modifier les schémas après la création du modèle.
- (Facultatif) Sélectionnez Afficher les options avancées pour ajouter des marqueurs.
- (Facultatif) Dans la section Marqueurs, ajoutez un ou plusieurs marqueurs à <resourceType>. Si vous êtes autorisé à créer une ressource, vous disposez également des autorisations nécessaires pour appliquer des marqueurs de formulaire libre à cette ressource. Pour appliquer un marqueur défini, vous devez être autorisé à utiliser l'espace de noms de marqueur. Pour plus d'informations sur le marquage, voir Marqueurs de ressource. Si vous ne savez pas si vous devez appliquer des marqueurs, ignorez cette option ou demandez à un administrateur. Vous pouvez appliquer des marqueurs plus tard.
-
Sélectionnez Créer.
Note
Les modèles stockés dans le catalogue peuvent également être déployés à l'aide du déploiement de modèle.