Documentação do Oracle Cloud Infrastructure

Criando e Salvando um Modelo com a Console

Crie um modelo na Console e salve-o diretamente no catálogo de modelos.

Para documentar um modelo, você deve preparar os metadados antes de criá-los e salvá-los.

Essa tarefa envolve a criação de um modelo, a adição de metadados, a definição do ambiente de treinamento, a especificação de esquemas de previsões e o salvamento do modelo no catálogo de modelos.

Importante

  • Recomendamos que você crie e salve modelos no catálogo de modelos de forma programática, usando o ADS ou o OCI Python SDK.

  • Você pode usar o ADS para criar modelos grandes. Modelos grandes têm limitações de artefatos de até 400 GB.

Se você estiver salvando um modelo treinado em outro local ou quiser usar a Console, siga esta etapa para salvar um modelo:

  1. Na página de modelos do serviço Data Science, crie um arquivo zip de artefato de modelo na sua máquina local que contenha os arquivos score.py e runtime.yaml (e qualquer outro arquivo necessário para executar seu modelo. Selecione Fazer download do zip do artefato de amostra para obter arquivos de amostra que você pode alterar para criar seu artefato de modelo. Se precisar de ajuda para encontrar a lista de modelos, consulte Listando Modelos.
  2. Selecione Criar modelo.
  3. Selecione o compartimento que conterá o modelo.
  4. (Opcional) Informe um nome exclusivo (limite de 255 caracteres). Se você não fornecer um nome, um nome será gerado automaticamente.

    Por exemplo, model20200108222435.

  5. (Opcional) Digite uma descrição (limite de 400 caracteres) para o modelo.
  6. Selecione um de Fazer upload do artefato de modelo ou Criar modelo por referência.
  7. Se, na etapa 6, você tiver selecionado Fazer upload de artefato de modelo, na caixa Fazer upload de artefato de modelo, selecione Selecionar para fazer upload do arquivo compactado de artefato de modelo (um arquivo zip).
    1. Arraste o arquivo zip para a caixa Fazer upload de um arquivo de artefato e selecione Fazer Upload.
  8. Se na etapa 6 você selecionou Criar modelo por referência:
    1. Selecionar um compartimento
    2. Selecione um bucket.
    3. (Opcional) Informe um prefixo de nome de objeto. O prefixo deve se referir ao diretório raiz dos artefatos de modelo. Ele consiste em todos os artefatos relacionados ao modelo, com score.py e runtime.yaml no primeiro nível dentro do prefixo.
  9. (Opcional) Na caixa Conjunto de versões do modelo, selecione Selecionar e, em seguida, configure com um conjunto de versões existente ou crie um novo conjunto.
  10. (Opcional) Na caixa Proveniência do modelo, selecione Selecionar.
    1. Selecione Sessão de notebook ou Execução de job, dependendo de onde deseja armazenar a documentação de taxonomia.
    2. Localize a sessão de notebook ou a execução de job com a qual o modelo foi treinado usando uma das seguintes opções:
      Selecionar um projeto:

      Selecione o nome do projeto a ser usado no compartimento selecionado.

      O compartimento selecionado se aplica ao projeto e à sessão de notebook ou à execução do job e ambos devem estar no mesmo compartimento. Caso contrário, use a pesquisa de OCID.

      Você pode alterar o compartimento do projeto, da sessão de notebook ou da execução do job.

      O nome do projeto a ser usado no compartimento selecionado.

      Selecione a sessão de notebook ou a execução de jobs com a qual o modelo foi treinado.

      Pesquisa do OCID:

      Se a sessão de notebook ou a execução do job estiver em um compartimento diferente do projeto, informe o OCID da sessão de notebook ou da execução do job no qual você treinou o modelo.

    3. Selecione a sessão de notebook ou a execução de jobs com a qual o modelo foi treinado.
    4. (Opcional) Selecione Mostrar opções avançadas para identificar Git e modelar informações de treinamento.

      Informe ou selecione um dos valores a seguir:

      URL do repositório Git

      O URL do repositório Git remoto.

      Commit do Git

      O ID de commit do repositório Git.

      Ramificação Git

      O nome da ramificação.

      Diretório do modelo local

      O caminho do diretório no qual o artefato de modelo foi armazenado temporariamente. Pode ser um caminho em uma sessão de notebook ou um diretório de computador local, por exemplo.

      Script de treinamento de modelo

      O nome do script Python ou sessão de notebook com o qual o modelo foi treinado.

      Dica

      Você também pode preencher os metadados de proveniência de modelo ao salvar um modelo no catálogo usando os SDKs ou a CLI do OCI.

    5. Selecione Selecionar.
  11. (Opcional) Na caixa Taxonomia do modelo, selecione Selecionar para especificar o que o modelo faz, a estrutura de aprendizado de máquina, os hiperparâmetros ou para criar metadados personalizados para documentar o modelo.
    Importante

    O tamanho máximo permitido para todos os metadados do modelo é de 32000 bytes. O tamanho é uma combinação da taxonomia de modelo predefinido e dos atributos personalizados.

    1. Na seção Taxonomia de modelo, adicione labels predefinidos da seguinte forma:

      Digite ou selecione o seguinte:

      Taxonomia de modelo
      Caso de uso

      O tipo de caso de uso de aprendizado de máquina a ser usado.

      Estrutura do modelo

      A biblioteca Python que você usou para treinar o modelo.

      Versão do framework do modelo

      A versão do framework de aprendizado de máquina. Esse é um valor de texto livre. Por exemplo, o valor pode ser 2.3.

      Algoritmo de modelo ou objeto estimador de modelo

      O algoritmo usado ou a classe de instância de modelo. Esse é um valor de texto livre. Por exemplo, sklearn.ensemble.RandomForestRegressor poderia ser o valor.

      Hiperparâmetros do modelo

      Os hiperparâmetros do modelo no formato JSON.

      Resultados do teste de artefato

      A saída JSON dos resultados do teste de introspecção é executada no cliente. Esses testes são incluídos no código de texto padronizado do artefato de modelo. Você pode executá-los opcionalmente antes de salvar o modelo no catálogo de modelos.

      Criar pares de atributos personalizados de label e valor
      Label

      O label de chave dos metadados personalizados

      Valor

      O valor anexado à chave

      Categoria

      (Opcional) A categoria dos metadados entre muitas opções, incluindo:

      • desempenho

      • perfil de treinamento

      • conjuntos de dados de treinamento e validação

      • ambiente de treinamento

      • outros

      Você pode usar a categoria para agrupar e filtrar metadados personalizados a serem exibidos na Console. Isso é útil quando você tem muitos metadados personalizados que deseja rastrear.

      Descrição

      (Opcional) Informe uma descrição exclusiva dos metadados personalizados.

    2. (Opcional) Adicionar um artefato:
      1. Selecione o Nome do campo Metadados.
      2. Digite um valor.
      3. (Opcional) Informe palavras-chave de pesquisa para ajudar a localizar o artefato.
      4. Para adicionar outro artefato, selecione +Add atributo definido e repita as etapas anteriores. Você pode repetir esta etapa até ter 25 artefatos.
      Observação

      Você só pode fazer upload do arquivo de artefato quando o modelo é criado.
    3. Selecione Selecionar.
  12. (Opcional) Selecione Selecionar na caixa Documentar esquema de dados de entrada e saída de modelo para documentar as previsões do modelo. Você define os recursos de previsão de modelo que o modelo exige para fazer uma previsão bem-sucedida. Você também define esquemas de entrada e saída que descrevem as previsões retornadas pelo modelo (definidas no arquivo score.py com a função predict()).
    Importante

    O tamanho máximo permitido do arquivo para os esquemas de entrada e saída combinados é de 32.000 bytes.

    1. Arraste o arquivo JSON do esquema de entrada para a caixa Fazer upload de um esquema de entrada.
    2. Arraste o arquivo JSON do esquema de saída para a caixa Fazer upload de um esquema de saída.
    3. Selecione Selecionar.
    Importante

    Você só pode documentar os esquemas de dados de entrada e saída ao criar o modelo. Não é possível editar os esquemas após a criação do modelo.

  13. (Opcional) Selecione Mostrar Opções Avançadas para adicionar tags.
  14. (Opcional) Na seção Tags, adicione uma ou mais tags ao resourceType. Se você tiver permissões para criar um recurso, também terá permissões para aplicar tags de formato livre a esse recurso. Para aplicar uma tag definida, você deve ter permissões para usar o namespace da tag. Para obter mais informações sobre tags, consulte Tags de Recursos. Se você não tiver certeza se deseja aplicar tags, ignore essa opção ou pergunte a um administrador. Você pode aplicar as tags posteriormente.
  15. Selecione Criar.
    Observação

    Os modelos armazenados no catálogo de modelos também podem ser implantados usando a implantação de modelo.