Documentation Oracle Cloud Infrastructure

Modification d'un modèle

Vous pouvez modifier (mettre à jour) certaines options de modèle Data Science.

Si vous avez ajouté des métadonnées à un modèle, vous pouvez modifier la provenance et la taxonomie. Vous ne pouvez pas modifier les schémas d'entrée et de sortie.

Vous pouvez modifier le nom et la description du modèle, mais aucune autre option. Vous pouvez modifier un modèle en le chargeant de nouveau dans une session de bloc-notes, en effectuant des modifications, puis en enregistrant le modèle en tant que nouveau modèle.

    1. Sur la page Modèles, sélectionnez le nom du modèle. Si vous avez besoin d'aide pour trouver la liste des modèles, reportez-vous à la rubrique Liste des modèles.

      La page de détails du modèle s'ouvre.

    2. Sélectionnez Modifier.
    3. (Facultatif) Modifiez le nom, la description ou le libellé de version.
    4. (Facultatif) Dans la zone Provenance du modèle, sélectionnez Sélectionner.
      1. Sélectionnez Session de bloc-notes ou Traitement de travail en fonction de l'emplacement où vous voulez stocker la documentation de taxonomie.
      2. Recherchez la session de bloc-notes 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, à la session de bloc-notes ou à l'exécution de travail, qui doivent se trouver dans le même compartiment. Sinon, utilisez plutôt la recherche d'OCID.

        Vous pouvez modifier le compartiment pour le projet, la session de bloc-notes ou l'exécution de travail.

        Nom du projet à utiliser dans le compartiment sélectionné.

        Sélectionnez la session de bloc-notes ou le traitement de travail avec lequel le modèle a été entraîné.

        Recherche par OCID :

        Si la session de bloc-notes ou l'exécution de travail se trouve dans un compartiment différent du projet, entrez l'OCID de session de bloc-notes ou d'exécution de travail dans lequel vous avez entraîné le modèle.

      3. Sélectionnez la session de bloc-notes ou le traitement de travail avec lequel le modèle a été entraîné.
      4. (Facultatif) Sélectionnez Afficher les options avancées pour identifier les informations d'entraînement Git et de modèle.

        Entrez ou sélectionnez l'une des valeurs suivantes :

        URL de référentiel Git

        URL du référentiel Git distant.

        Validation de Git

        ID de validation du référentiel Git.

        Branchement Git

        Nom du branchement

        Répertoire de modèle local

        Chemin du répertoire dans lequel l'artefact de modèle a été temporairement stocké. Il peut s'agir d'un chemin dans une session de bloc-notes ou d'un répertoire d'ordinateur local, par exemple.

        Script d'entraînement de modèle

        Nom du script Python ou de la session de bloc-notes avec laquelle le modèle a été entraîné.

        Conseil

        Vous pouvez également indiquer les métadonnées de provenance de modèle lorsque vous enregistrez un modèle dans le catalogue de modèles à l'aide des kits SDK OCI ou de l'interface de ligne de commande.

      5. Sélectionnez Sélectionner.
    5. (Facultatif) Dans la zone Taxonomie de modèle, sélectionnez Sélectionner pour indiquer ce que fait le modèle, structure d'apprentissage automatique, hyperparamètres, pour créer des métadonnées personnalisées afin de documenter le modèle ou de télécharger un artefact.
      Important

      La taille maximale autorisée pour toutes les métadonnées de modèle est de 32000 octets. La taille est une combinaison de la taxonomie de modèle prédéfinie et des attributs personnalisés.

      1. Dans la section Taxonomie de modèle, ajoutez les libellés prédéfinis comme suit :

        Entrez ou sélectionnez les informations suivantes :

        Taxonomie de modèle
        Cas d'emploi

        Type de cas d'emploi de l'apprentissage automatique à utiliser.

        Structure de modèle

        La bibliothèque Python que vous avez utilisée pour entraîner le modèle.

        Version de la structure de modèle

        Version de la structure d'apprentissage automatique. Il s'agit d'une valeur de texte libre. Par exemple, la valeur peut être 2.3.

        Algorithme du modèle ou objet d'estimateur du modèle

        Algorithme utilisé ou classe d'instance de modèle. Il s'agit d'une valeur de texte libre. Exemple de valeur : sklearn.ensemble.RandomForestRegressor.

        Hyperparamètres de modèle

        Hyperparamètres du modèle au format JSON.

        Résultats de test de l'artefact

        La sortie JSON des résultats de test d'introspection est 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.

        Création de paires libellé-valeur personnalisées
        Intitulé

        Libellé de clé de vos métadonnées personnalisées.

        Valeur

        Valeur attachée à la clé.

        Catégorie

        (Facultatif) Catégorie des métadonnées parmi plusieurs choix :

        • performances

        • Profil d'entraînement

        • Ensembles de données d'entraînement et de validation

        • Environnement d'entraînement

        • autres

        Vous pouvez utiliser la catégorie pour regrouper et filtrer les métadonnées personnalisées à afficher dans la console. Cela est utile lorsque vous disposez de nombreuses métadonnées personnalisées à suivre.

        Description

        (Facultatif) Entrez une description unique des métadonnées personnalisées.

        Téléchargez un artefact
        1. Pour le modèle en question, pour les attributs de taxonomie Licence, Fichier Lisez-moi, Configuration de déploiement et Configuration FineTune, ou pour les attributs de modèle personnalisé, sélectionnez Télécharger l'artefact dans le menu Actions (trois points).
        2. Téléchargez un fichier d'artefact en le supprimant ou en le sélectionnant.
        3. Sélectionnez Télécharger vers le serveur.
        Télécharger un artefact en local
        1. Pour le modèle en question, sélectionnez Télécharger l'artefact dans le menu Actions (trois points).
        Supprimer un artefact
        1. Pour le modèle en question, sélectionnez Supprimer l'artefact dans le menu Actions (trois points).
        2. SélectionnezSupprimer.
      2. Sélectionnez Sélectionner.
    6. (Facultatif) Sélectionnez Afficher les options avancées pour modifier les balises.
    7. (Facultatif) Dans la section Balises, ajoutez des balises au fichier resourceType. Si vous disposez des droits d'accès nécessaires pour créer une ressource, vous êtes également autorisé à lui appliquer des balises de format libre. Pour appliquer une balise définie, vous devez disposer des droits d'accès permettant d'utiliser l'espace de noms de balise. Pour plus d'informations sur le balisage, reportez-vous à Balises de ressource. Si vous n'êtes pas certain d'appliquer des balises, ignorez cette option ou demandez à un administrateur. Vous pouvez appliquer des balises ultérieurement.
    8. Sélectionnez Enregistrer les modifications.

  • Utilisez la commande oci data-science model update et les paramètres requis pour modifier (mettre à jour) un modèle :

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

    Afin d'obtenir la liste complète des indicateurs et des options de variable pour les commandes d'interface de ligne de commande, reportez-vous à Référence de commande d'interface de ligne de commande.

  • Utilisez l'opération UpdateModel pour modifier (mettre à jour) un modèle.