コンソールを使用したモデルの作成および保存

モデル・アーティファクトをアップロードまたは参照し、基本的な識別情報を指定します。

• コンパートメント: モデルを含めるコンパートメントを選択します。
• 名前(オプション): 一意の名前(255文字の制限)を入力します。名前を指定しない場合、名前は自動的に生成されます。例: model20200108222435
• 説明(オプション): モデルの説明(400文字の制限)を入力します。
• モデル・アーティファクト: 関連するオプションを選択します。
  • モデル・アーティファクトのアップロード: モデル・アーティファクト・アーカイブ(Zipファイル)をボックスにドラッグしてアップロードします。
  • 参照によるモデル化
    • コンパートメント
    • バケット
    • オブジェクト名の接頭辞(オプション): オブジェクト名の接頭辞を入力します。接頭辞は、モデル・アーティファクトのルート・ディレクトリを参照する必要があります。これは、モデルに関連するすべてのアーティファクトで構成され、接頭辞内の最初のレベルにscore.pyおよびruntime.yamlがあります。

新規モデルの既存のバージョン・セットを選択するか、新規モデルの新規バージョン・セットを作成してください。

• 既存のバージョン・セットから選択
• 新規バージョン・セットでのモデルの作成
  • コンパートメント: バージョン・セットのコンパートメントを選択します。
  • バージョン・セット名: バージョン・セットの名前を入力します。名前はコンパートメント内で一意である必要があります。
  • 説明(オプション)
  • 拡張オプション(オプション)
    • モデル名
    • バージョン・ラベル
    • タグ
  • バージョン・ラベル(オプション)

  「モデル・バージョン・タイプの作成」も参照してください。

• モデルの来歴の選択: タクソノミ・ドキュメントを格納するための関連オプションを選択します。
  • ノートブック・セッション
  • ジョブ実行: 関連するオプションを選択し、ジョブ実行を選択します。
• ノートブック・セッションの検索/ジョブ実行の検索: 使用する検索オプションを選択し、モデルのトレーニングに使用されたノートブック・セッションまたはジョブ実行を選択します。
  • プロジェクトの選択: 選択したコンパートメントで使用するプロジェクト名を選択します。

    選択されたコンパートメントは、プロジェクトとノートブック・セッションまたはジョブ実行の両方に適用され、両方が同じコンパートメントに存在する必要がありますそうでない場合は、かわりにOCIDで検索します。プロジェクトおよびノートブック・セッションまたはジョブ実行の両方のコンパートメントを変更できます。

  • OCIDによる検索: ノートブック・セッションまたはジョブ実行がプロジェクトとは異なるコンパートメントにある場合は、モデルをトレーニングしたノートブック・セッションまたはジョブ実行OCIDを入力します。
• トレーニング・コード(「拡張オプション」の下) (オプション): Gitおよびモデルのトレーニング情報を指定します。
  • Git repository URL: リモートGitリポジトリのURL。
  • Gitブランチ: ブランチの名前です。
  • Git commit: GitリポジトリのコミットID。
  • ローカル・モデル・ディレクトリ: モデル・アーティファクトを一時的に格納したディレクトリ・パス。たとえば、ノートブック・セッション内のパスまたはローカル・コンピュータ・ディレクトリです。
  • モデル・トレーニング・スクリプト: モデルがトレーニングされたPythonスクリプトまたはノートブック・セッションの名前。
  ヒント
  
  OCI SDKまたはCLIを使用してモデルをモデル・カタログに保存するときに、モデルの来歴メタデータを移入することもできます。

オプションで、モデルの動作、機械学習フレームワーク、ハイパーパラメータを指定するか、モデルを文書化するためのカスタム・メタデータを作成します。

• ドキュメント・モデルのタクソノミ(オプション)
  • ユース・ケース: 使用する機械学習ユースケースのタイプ。
  • アーティファクト・テスト結果: イントロスペクション・テスト結果のJSONの出力は、クライアント側で実行されます。これらのテストは、モデル・アーティファクト・ボイラープレート・コードに含まれています。モデルをモデル・カタログに保存する前に、必要に応じて実行できます。
  • モデル・フレームワーク: モデルのトレーニングに使用したPythonライブラリ。
  • モデル・フレームワークのバージョン: 機械学習フレームワークのバージョンです。これはフリー・テキスト値です。たとえば、値は2.3です。
  • モデル・アルゴリズムまたはモデル・エスティメータ・オブジェクト: 使用するアルゴリズムまたはモデル・インスタンス・クラス。これはフリー・テキスト値です。たとえば、sklearn.ensemble.RandomForestRegressorという値です。
  • モデル・ハイパーパラメータ: JSON形式のモデルのハイパーパラメータ。
• カスタムのラベルと値の属性ペアの作成(オプション)
  • ラベル: カスタム・メタデータのキー・ラベル。
  • 値: キーに付けられた値。
  • カテゴリ(オプション): 次のような多くの選択肢からのメタデータのカテゴリ。
    • パフォーマンス
    • training profile
    • training and validation datasets
    • training environment
    • その他

    カテゴリを使用して、コンソールに表示するカスタム・メタデータをグループ化およびフィルタできます。これは、追跡するカスタム・メタデータが多い場合に便利です。

  • 説明(オプション): カスタム・メタデータの一意の説明を入力します。
  • キーワードを検索
• メタデータ・アーティファクトのアップロード(オプション)
  ノート
  
  アーティファクト・ファイルをアップロードできるのは、モデルの作成時のみです。
  • メタデータ・フィールド名
  • 値
  • 検索キーワード(オプション): アーティファクトの検索に役立つ検索キーワードを入力します。

オプションで、モデル予測を文書化します。モデルで予測を成功させるために必要なモデル予測機能を定義します。また、モデルによって返される予測(predict()関数を使用してscore.pyファイルで定義)を記述する入力および出力スキーマを定義します。

• 入力スキーマ・ファイルのアップロード: 入力スキーマJSONファイルをボックスにドラッグします。
• 出力スキーマ・ファイルのアップロード: 出力スキーマJSONファイルをボックスにドラッグします。

オプションで、バックアップおよび保存を設定します。

• バックアップ使用可能
  • リージョン
  • 通知
• モデル保持の有効化
  • 通知
  • アーカイブ・ルール: 自動保持期間(日)
  • 削除ルール: アーカイブ後の自動削除期間(日)

構成を確認し、「作成」を選択します。