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, effettuare le operazioni riportate di seguito per salvare un modello.

  1. Nella pagina Modelli di Data Science creare un archivio ZIP di artifact del modello nel computer locale contenente i file score.py e runtime.yaml (e qualsiasi altro file necessario per eseguire il modello). Selezionare Scarica file zip artifact di esempio per ottenere i file di esempio che è possibile modificare per creare l'artifact del modello. Per assistenza nella ricerca dell'elenco dei modelli, vedere Elenca modelli.
  2. Nella pagina di elenco Progetti, selezionare il progetto contenente i modelli da utilizzare. Per assistenza nella ricerca della pagina elenco o del progetto, vedere Elenca progetti.
  3. Nella pagina dei dettagli del progetto selezionare Modelli.
  4. Nella pagina di elenco Modelli, selezionare Crea modello.
Viene visualizzata la pagina Crea modello.

1. Informazioni di base

Caricare o fare riferimento all'artifact del modello e fornire informazioni di identificazione di base.

  • Compartimento: selezionare il compartimento che conterrà il modello.
  • Nome (facoltativo): immettere un nome univoco (limite di 255 caratteri). Se non si fornisce un nome, il nome viene generato automaticamente. Esempio: model20200108222435
  • Descrizione (facoltativo): immettere una descrizione (limite di 400 caratteri) per il modello.
  • Arfact modello: selezionare l'opzione pertinente.
    • Carica artifact modello: caricare l'archivio artifact modello (file zip) trascinandolo nella casella.
    • Modello per riferimento
      • Compartimento
      • Bucket
      • Prefisso del nome oggetto (facoltativo): immettere un prefisso del nome oggetto. Il prefisso deve fare riferimento alla directory radice degli artifact del modello. È costituito da tutti gli artifact correlati al modello, con score.py e runtime.yaml al primo livello all'interno del prefisso.

2. Set di versioni modello

Selezionare un set di versioni esistente per il nuovo modello oppure crearne uno nuovo per il nuovo modello.

  • Seleziona da set di versioni esistenti
  • Crea modello in un nuovo set di versioni
    • Compartimento: selezionare il compartimento per il set di versioni.
    • nome del set di versioni: immettere il nome del set di versioni. Il nome deve essere univoco all'interno del compartimento.
    • Descrizione (facoltativa)
    • opzioni avanzate (facoltativo)
      • Nome modello
      • Etichetta versione
      • Tag
    • Etichetta versione (facoltativo)

    Vedere anche Creazione di un set di versioni modello.

3. Provenienza modello

  • Seleziona provenienza modello: selezionare l'opzione pertinente per la memorizzazione della documentazione della tassonomia.
    • Sessione notebook
    • Esecuzione job: selezionare l'opzione pertinente, quindi selezionare l'esecuzione del job.
  • Trova una sessione notebook/Trova esecuzione job: selezionare l'opzione di ricerca che si desidera utilizzare, quindi selezionare la sessione notebook o l'esecuzione job con cui è stato addestrato il modello.
    • Scegli 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, eseguire la ricerca in base all'OCID. È possibile modificare il compartimento sia per il progetto che per la sessione notebook o per l'esecuzione del job.

    • Cerca per 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.
  • Codice formazione (in Opzioni avanzate) (Facoltativo): identificare le informazioni sull'addestramento di Git e modello.
    • URL del repository Git: l'URL del repository Git remota.
    • Ramo Git: il nome della diramazione.
    • Commit Git: l'ID commit del repository Git.
    • Directory del modello locale: il percorso della directory in cui è stato memorizzato temporaneamente l'artifact del modello. Potrebbe trattarsi, ad esempio, di un percorso in una sessione notebook o in una directory di computer locale.
    • Script di addestramento modello: il nome dello script Python o della sessione notebook con cui è stato addestrato il modello.
    Suggerimento

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

4. Tassonomia modello

Facoltativamente, specificare cosa fa il modello, il framework di apprendimento automatico, gli 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.
  • Tassonomia modello di documento (facoltativo)
    • Caso d'uso: il tipo di caso d'uso di apprendimento automatico da utilizzare.
    • Risultati del test di artifact: l'output JSON dei risultati del test di introspezione viene eseguito sul lato client. Questi test sono inclusi nel codice boilerplate dell'artifact del modello. È possibile eseguirli facoltativamente prima di salvare il modello nel catalogo modelli.
    • Framework modelli: libreria Python utilizzata per addestrare il modello.
    • Versione framework modello: la versione del framework di apprendimento automatico. Si tratta di 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. Si tratta di un valore di testo libero. Ad esempio, sklearn.ensemble.RandomForestRegressor potrebbe essere il valore.
    • Iperparametri del modello: gli iperparametri del modello in formato JSON.
  • Creare coppie di etichette e attributi valore personalizzati (facoltativo)
    • Etichetta: l'etichetta chiave dei metadati personalizzati.
    • Valore: 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.
    • Parole chiave della ricerca
  • Caricare l'artifact metadati (facoltativo)
    Nota

    È possibile caricare il file artifact solo quando viene creato il modello.
    • Nome campo di metadati
    • Valore
    • Parole chiave di ricerca (facoltativo): immettere le parole chiave di ricerca per facilitare la ricerca dell'artifact.

5. Schema di input e output del modello

Facoltativamente, documentare le previsioni del modello. È possibile definire le funzioni di previsione del modello richieste dal modello per eseguire una previsione riuscita. È inoltre possibile definire schemi di input e output che descrivono le previsioni restituite dal modello (definito nel file score.py con la funzione predict()).

Importante

Quando si crea il modello, è possibile solo documentare gli schemi di dati di input e output. Impossibile modificare gli schemi dopo la creazione del modello. La dimensione massima consentita per gli schemi di input e output combinati è di 32000 byte.
  • Caricare un file di schema di input: trascinare il file JSON dello schema di input nella casella.
  • Caricare un file di schema di output: trascinare il file JSON dello schema di output nella casella.

6. Backup e conservazione

Facoltativamente, impostare backup e conservazione.

  • Abilita backup
    • Region
    • Notifiche
  • Abilita conservazione modello
    • Notifiche
    • Regola di archiviazione: periodo retention automatica in giorni
    • Regola di eliminazione: periodo di eliminazione automatica in giorni dopo l'archiviazione

Rivedi e crea

Rivedere la configurazione, quindi selezionare Crea.