Documentación de Oracle Cloud Infrastructure

Creación y guardado de un modelo con la consola

Cree un modelo en la consola y guárdelo directamente en el catálogo de modelos.

Para documentar un modelo, debe preparar los metadatos antes de crearlo y guardarlo.

Esta tarea implica la creación de un modelo, la adición de metadatos, la definición del entorno de entrenamiento, la especificación de esquemas de predicciones y el guardado del modelo en el catálogo de modelos.

Importante

Si desea guardar un modelo entrenado en otro lugar o utilizar la consola, utilice este paso para guardar un modelo:

  1. En la página de modelos de Data Science, cree un archivo zip de artefacto de modelo en la máquina local que contenga los archivos score.py y runtime.yaml (y otros archivos necesarios para ejecutar el modelo). Seleccione Descargar zip de artefacto de ejemplo para obtener los archivos de ejemplo que puede cambiar para crear el artefacto de modelo. Si necesita ayuda para buscar la lista de modelos, consulte Listado de modelos.
  2. Seleccione Crear modelo.
  3. Seleccione el compartimento que va a contener el modelo.
  4. (Opcional) Introduzca un nombre único (límite de 25 caracteres). Si no proporciona un nombre, se genera automáticamente un nombre.

    Por ejemplo, model20200108222435.

  5. (Opcional) Introduzca una descripción (límite de 400 caracteres) para el modelo.
  6. Seleccione una de las opciones Cargar artefacto de modelo o Crear modelo por referencia.
  7. Si en el paso 6 ha seleccionado Cargar artefacto de modelo, en el cuadro Cargar artefacto de modelo, seleccione Seleccionar para cargar el archivo de artefacto de modelo (un archivo zip).
    1. Arrastre el archivo zip al cuadro Cargar un archivo de artefacto y, a continuación, seleccione Cargar.
  8. Si en el paso 6 ha seleccionado Crear modelo por referencia:
    1. Seleccionar un compartimento.
    2. Seleccionar un cubo.
    3. (Opcional) Introduzca un prefijo de nombre de objeto. El prefijo debe hacer referencia al directorio raíz de los artefactos del modelo. Consta de todos los artefactos relacionados con el modelo, con score.py y runtime.yaml en el primer nivel dentro del prefijo.
  9. (Opcional) En el cuadro Juego de versiones de modelo, seleccione Seleccionar y, a continuación, configurar con un juego de versiones existente o crear un nuevo juego.
  10. (Opcional) En el cuadro Procedencia de modelo, seleccione Seleccionar.
    1. Seleccione Sesión de libro de notas o Ejecución de trabajo según dónde desee almacenar la documentación de la taxonomía.
    2. Busque la sesión de bloc de notas o la ejecución del trabajo con la que se entrenó el modelo mediante una de las siguientes opciones:
      Seleccionar un proyecto:

      Seleccione el nombre del proyecto que desea utilizar en el compartimento seleccionado.

      El compartimento seleccionado se aplica tanto al proyecto como a la sesión de Notebook o a la ejecución de trabajos, y ambos deben estar en el mismo compartimento. Si no es así, utilice en su lugar la búsqueda de OCID.

      Puede cambiar el compartimento tanto para el proyecto como para la sesión de libro de notas o la ejecución de trabajos.

      Nombre del proyecto que se va a utilizar en el compartimento seleccionado.

      Seleccione la sesión de Notebook o la ejecución de trabajo con la que se entrenó el modelo.

      Búsqueda de OCID:

      Si la sesión de bloc de notas o la ejecución del trabajo están en un compartimento diferente al del proyecto, introduzca el OCID de la sesión de bloc de notas o de la ejecución del trabajo en el que ha entrenado el modelo.

    3. Seleccione la sesión de Notebook o la ejecución de trabajo con la que se entrenó el modelo.
    4. (Opcional) Seleccione Mostrar opciones avanzadas para identificar la información de entrenamiento de Git y modelo.

      Introduzca o seleccione cualquiera de los siguientes valores:

      URL de repositorio de git

      URL del repositorio remoto de Git.

      Confirmación de git

      ID de confirmación del repositorio de Git.

      Rama de git

      Nombre de la rama.

      Directorio de modelo local

      Ruta de acceso al directorio donde se ha almacenado temporalmente el artefacto de modelo. Puede ser una ruta de acceso en una sesión de bloc de notas o un directorio de computadora local, por ejemplo.

      Script de entrenamiento del modelo

      Nombre del script o la sesión de Notebook de Python con el que se ha entrenado el modelo.

      Consejo

      También puede rellenar los metadatos de procedencia del modelo al guardar un modelo en el catálogo de modelos mediante los SDK de OCI o la CLI.

    5. Seleccione Seleccionar.
  11. (Opcional) En el cuadro Taxonomía de modelo, seleccione Seleccionar para especificar lo que hace el modelo, el marco de aprendizaje automático, los hiperparámetros o para crear metadatos personalizados para documentar el modelo.
    Importante

    El tamaño máximo permitido para todos los metadatos del modelo es de 32000 bytes. El tamaño es una combinación de la taxonomía de modelo predefinida y los atributos personalizados.

    1. En la sección Taxonomía de modelo, agregue etiquetas predefinidas de la siguiente manera:

      Introduzca o seleccione lo siguiente:

      Taxonomía del modelo
      Casos prácticos

      Tipo de caso de uso de aprendizaje automático que se va a utilizar.

      Marco de modelos

      Biblioteca de Python que ha utilizado para entrenar el modelo.

      Versión del marco de modelo

      Versión del marco de Machine Learning. Este es un valor de texto libre. Por ejemplo, el valor podría ser 2,3.

      Algoritmo de modelo u objeto de estimador de modelo

      Algoritmo utilizado o la clase de instancia de modelo. Este es un valor de texto libre. Por ejemplo, sklearn.ensemble.RandomForestRegressor podría ser el valor.

      hiperparámetros de modelo

      Hiperparámetros del modelo en formato JSON.

      Resultados de la prueba de artefactos

      Salida JSON de los resultados de la prueba de introspección que se ha ejecutado en el cliente. Estas pruebas se incluyen en el código fijo del artefacto de modelo. Puede ejecutarlos de forma opcional antes de guardar el modelo en el catálogo de modelos.

      Creación de pares de atributos de etiqueta y valor personalizados
      Etiqueta

      Etiqueta de clave de los metadatos personalizados

      Valor

      Valor asociado a la clave

      Category

      (Opcional) Categoría de los metadatos entre muchas opciones, que incluyen:

      • rendimiento

      • training profile

      • training and validation datasets

      • training environment

      • Otro

      Puede utilizar la categoría para agrupar y filtrar metadatos personalizados que se mostrarán en la consola. Esto es útil si tiene muchos metadatos personalizados de los que desea realizar un seguimiento.

      Descripción

      (Opcional) Introduzca una descripción única de los metadatos personalizados.

    2. (Opcional) Agregue un artefacto:
      1. Seleccione el nombre de campo de metadatos.
      2. Introduzca un valor.
      3. (Opcional) Introduzca palabras clave de búsqueda para ayudar a encontrar el artefacto.
      4. Para agregar otro artefacto, seleccione Atributo definido por +Add y repita los pasos anteriores. Puede repetir este paso hasta que tenga 25 artefactos.
      Nota

      Solo puede cargar el archivo de artefacto cuando se crea el modelo.
    3. Seleccione Seleccionar.
  12. (Opcional) Seleccione Seleccionar en el recuadro Documentar Esquema de Datos de Entrada y Salida del Modelo para documentar las predicciones del modelo. Puede definir las funciones de predicción de modelo que el modelo requiere para realizar una predicción correcta. También debe definir los esquemas de entrada y salida que describen las predicciones devueltas por el modelo (definidos en el archivo score.py con la función predict()).
    Importante

    El tamaño máximo de archivo permitido para los esquemas de entrada y salida combinados es de 32 000 bytes.

    1. Arrastre el archivo JSON de esquema de entrada al cuadro Cargar un esquema de entrada.
    2. Arrastre el archivo JSON de esquema de salida al cuadro Cargar un esquema de salida.
    3. Seleccione Seleccionar.
    Importante

    Solo es posible documentar los esquemas de datos de entrada y salida al crear el modelo. No puede editar los esquemas después de la creación del modelo.

  13. (Opcional) Seleccione Mostrar opciones avanzadas para agregar etiquetas.
  14. (Opcional) En la sección Etiquetas, agregue una o más etiquetas a resourceType. Si tiene permisos para crear un recurso, también tiene permisos para aplicar etiquetas de formato libre a dicho recurso. Para aplicar una etiqueta definida, debe tener permisos para utilizar el espacio de nombres de la etiqueta. Para obtener más información sobre el etiquetado, consulte Etiquetas de recursos. Si no está seguro de si desea aplicar etiquetas, omita esta opción o pregunte a un administrador. Puede aplicar etiquetas más tarde.
  15. Seleccione Crear.
    Nota

    Los modelos almacenados en el catálogo de modelos también se pueden desplegar mediante el despliegue de modelo.