Documentazione dell'infrastruttura Oracle Cloud

Creazione e salvataggio di un modello con la console

Creare un modello nella console e salvarlo direttamente nel catalogo modelli.

Per documentare un modello, è necessario preparare i metadati prima di crearlo e salvarlo.

Questo task prevede la creazione di un modello, l'aggiunta di metadati, la definizione dell'ambiente di formazione, la specifica degli schemi di previsione e il salvataggio del modello nel catalogo modelli.

Importante

Se si sta salvando un modello addestrato altrove o si desidera utilizzare la console, utilizzare questo passo per salvare un modello:

  1. Nella pagina Modelli di Data Science creare un archivio zip artifact modello nel computer locale contenente i file score.py e runtime.yaml (e qualsiasi altro file necessario per eseguire il modello). Selezionare Scarica ZIP artifact di esempio per ottenere i file di esempio che è possibile modificare per creare l'artifact modello. Per informazioni su come trovare l'elenco dei modelli, vedere Elenco dei modelli.
  2. Selezionare Crea modello.
  3. Selezionare il compartimento per contenere il modello.
  4. (Facoltativo) Immettere un nome univoco (limite di 255 caratteri). Se non si specifica un nome, viene generato automaticamente un nome.

    Ad esempio, model20200108222435.

  5. (Facoltativo) Immettere una descrizione (limite di 400 caratteri) per il modello.
  6. Selezionare una delle opzioni Carica artifact modello o Crea modello in base a riferimento.
  7. Se nel passo 6 è stata selezionata l'opzione Carica artifact modello, nella casella Carica artifact modello selezionare Seleziona per caricare l'archivio artifact modello (un file zip).
    1. Trascinare il file zip nella casella Carica un file artifact, quindi selezionare Carica.
  8. Se nel passo 6 è stata selezionata l'opzione Crea modello in base a riferimento:
    1. Selezionare un compartimento.
    2. Selezionare un bucket.
    3. (Facoltativo) Immettere il prefisso del nome oggetto.
  9. (Facoltativo) Nella casella Set di versioni del modello, selezionare Seleziona, quindi configurare con un set di versioni esistente o crearne uno nuovo.
  10. (Facoltativo) Nella casella Prova modello, selezionare Seleziona.
    1. Selezionare Sessione blocco note o Esecuzione job a seconda della posizione in cui si desidera memorizzare la documentazione della tassonomia.
    2. Trovare la sessione notebook o l'esecuzione del job con cui il modello è stato addestrato utilizzando una delle seguenti opzioni:
      Seleziona un progetto:

      Selezionare il nome del progetto da utilizzare nel compartimento selezionato.

      Il compartimento selezionato si applica sia al progetto che alla sessione notebook o all'esecuzione del job ed entrambi devono trovarsi nello stesso compartimento. In caso contrario, utilizzare la ricerca OCID.

      È possibile modificare il compartimento sia per la sessione del progetto che per la sessione notebook o per l'esecuzione del job.

      Il nome del progetto da utilizzare nel compartimento selezionato.

      Selezionare la sessione notebook o l'esecuzione del job con cui il modello è stato addestrato.

      Ricerca OCID:

      Se la sessione notebook o l'esecuzione del job si trova in un compartimento diverso dal progetto, immettere l'OCID della sessione notebook o dell'esecuzione del job in cui è stato addestrato il modello.

    3. Selezionare la sessione notebook o l'esecuzione del job con cui il modello è stato addestrato.
    4. (Facoltativo) Selezionare Mostra opzioni avanzate per identificare le informazioni sull'addestramento Git e sul modello.

      Immettere o selezionare i valori desiderati.

      URL repository Git

      L'URL del repository Git remoto.

      Commit Git

      L'ID commit del repository Git.

      Diramazione Git

      Il nome del ramo.

      Directory del modello locale

      Percorso della directory in cui è stato temporaneamente memorizzato l'artifact del modello. Potrebbe trattarsi di un percorso di una sessione notebook o di una directory del computer locale, ad esempio.

      Script di addestramento del modello

      Nome dello script o della sessione notebook Python con cui è stato eseguito l'addestramento del modello.

      Suggerimento

      Puoi anche popolare i metadati di provenienza del modello quando salvi un modello nel catalogo modelli utilizzando gli SDK OCI o l'interfaccia CLI.

    5. Selezionare Seleziona.
  11. (Facoltativo) Nella casella Tassonomia modello, selezionare Seleziona per specificare le funzioni del modello, del framework di apprendimento automatico, degli iperparametri o per creare metadati personalizzati per documentare il modello.
    Importante

    La dimensione massima consentita per tutti i metadati del modello è di 32000 byte. La dimensione è una combinazione della tassonomia del modello preimpostato e degli attributi personalizzati.

    1. Nella sezione Tassonomia modello aggiungere le etichette preimpostate come indicato di seguito.

      Immettere o selezionare quanto segue:

      Tassonomia modello
      Caso d'uso

      Il tipo di caso d'uso di machine learning da utilizzare.

      Framework del modello

      Libreria Python utilizzata per addestrare il modello.

      Versione framework del modello

      Versione del framework di apprendimento automatico. Questo è un valore di testo libero. Ad esempio, il valore potrebbe essere 2.3.

      Algoritmo del modello o oggetto valutatore del modello

      L'algoritmo utilizzato o la classe di istanza del modello. Questo è un valore di testo libero. Ad esempio, sklearn.ensemble.RandomForestRegressor potrebbe essere il valore.

      Iperparametri del modello

      Gli iperparametri del modello in formato JSON.

      Risultati test artifact

      L'output JSON dei risultati del test di introspezione viene eseguito sul lato client. Questi test sono inclusi nel codice boilerplate dell'artifact modello. È possibile eseguirle facoltativamente prima di salvare il modello nel catalogo modelli.

      Creare coppie di attributi etichetta-valore personalizzate
      Label

      Etichetta chiave dei metadati personalizzati

      Value

      Il valore associato alla chiave

      Categoria

      (Facoltativo) La categoria dei metadati da molte scelte, tra cui:

      • prestazioni

      • profilo di formazione

      • set di dati di formazione e convalida

      • ambiente di addestramento

      • altro

      È possibile utilizzare la categoria per raggruppare e filtrare i metadati personalizzati da visualizzare nella console. Ciò è utile quando si dispone di molti metadati personalizzati di cui si desidera tenere traccia.

      descrizione;

      (Facoltativo) Immettere una descrizione univoca dei metadati personalizzati.

    2. (Facoltativo) Aggiungere un artifact:
      1. Selezionare il nome del campo metadati.
      2. Immettere un valore.
      3. (Facoltativo) Immettere le parole chiave di ricerca per facilitare la ricerca dell'artifact.
      4. Per aggiungere un altro artifact, selezionare +Add attributo definito e ripetere i passi precedenti. È possibile ripetere questo passo fino a quando non si dispone di 25 artifact.
      Nota

      È possibile caricare il file artifact solo quando viene creato il modello.
    3. Selezionare Seleziona.
  12. (Facoltativo) Selezionare Seleziona nella casella Schema dati di input e output del modello di documento per documentare le previsioni del modello. È possibile definire funzioni di previsione modello che il modello richiede per eseguire una previsione riuscita. È inoltre possibile definire schemi di input e output che descrivano le previsioni restituite dal modello (definite nel file score.py con la funzione predict()).
    Importante

    La dimensione massima consentita per gli schemi di input e output combinati è di 32000 byte.

    1. Trascinare il file JSON dello schema di input nella casella Carica uno schema di input.
    2. Trascinare il file JSON dello schema di output nella casella Carica uno schema di output.
    3. Selezionare Seleziona.
    Importante

    Quando si crea il modello, è possibile solo documentare gli schemi di dati di input e di output. Impossibile modificare la creazione successiva al modello degli schemi.

  13. (Facoltativo) Selezionare Mostra opzioni avanzate per aggiungere tag.
  14. (Facoltativo) Nella sezione Tag aggiungere una o più tag a <resourceType>. Se si dispone delle autorizzazioni per creare una risorsa, si dispone anche delle autorizzazioni per applicare le tag in formato libero a tale risorsa. Per applicare una tag definita, è necessario disporre delle autorizzazioni per utilizzare la tag namespace. Per ulteriori informazioni sull'applicazione di tag, vedere Tag risorsa. Se non si è certi di applicare le tag, saltare questa opzione o chiedere a un amministratore. È possibile applicare le tag in un secondo momento.
  15. Selezionare Crea.
    Nota

    I modelli memorizzati nel catalogo modelli possono essere distribuiti anche utilizzando la distribuzione dei modelli.