Freigeben über


Model Klasse

Stellt das Ergebnis des Machine Learning-Trainings dar.

Ein Modell ist das Ergebnis der Ausführung (Run) eines Azure Machine Learning-Trainings oder eines anderen Modelltrainingsprozesses außerhalb von Azure. Unabhängig davon, wie das Modell erstellt wird, kann es in einem Arbeitsbereich registriert werden, wo es durch einen Namen und eine Version dargestellt wird. Mit der Model-Klasse können Sie Modelle für die Verwendung mit Docker packen und als Echtzeitendpunkt, der für Rückschlussanforderungen verwendet werden kann, bereitstellen.

Ein umfassendes Tutorial, das zeigt, wie Modelle erstellt, verwaltet und genutzt werden, finden Sie unter Trainieren eines Bildklassifizierungsmodells mit MNIST-Daten und scikit-learn mit Azure Machine Learning.

Modellkonstruktor.

Der Model-Konstruktor wird verwendet, um eine Clouddarstellung eines Model-Objekts abzurufen, das dem bereitgestellten Arbeitsbereich zugeordnet ist. Muss entweder den Namen oder die ID angeben.

Vererbung
builtins.object
Model

Konstruktor

Model(workspace, name=None, id=None, tags=None, properties=None, version=None, run_id=None, model_framework=None, expand=True, **kwargs)

Parameter

Name Beschreibung
workspace
Erforderlich

Das Workspace-Objekt, das das abzurufende Modell enthält.

name
str

Der Name des abzurufenden Modells. Das neueste Modell mit dem angegebenen Namen wird zurückgegeben, sofern es vorhanden ist.

Standardwert: None
id
str

Die ID des abzurufenden Modells. Das Modell mit der angegebenen ID wird zurückgegeben, sofern es vorhanden ist.

Standardwert: None
tags

Eine optionale Liste von Tags, die zum Filtern zurückgegebener Ergebnisse verwendet werden. Die Ergebnisse werden basierend auf der bereitgestellten Liste gefiltert, indem entweder nach „key“ oder „[key, value]“ gesucht wird. Ex. ['key', ['key2', 'key2 value']]

Standardwert: None
properties

Eine optionale Liste von Eigenschaften, die zum Filtern zurückgegebener Ergebnisse verwendet werden. Die Ergebnisse werden basierend auf der bereitgestellten Liste gefiltert, indem entweder nach „key“ oder „[key, value]“ gesucht wird. Ex. ['key', ['key2', 'key2 value']]

Standardwert: None
version
int

Die zurückzugebende Modellversion. Wenn sie zusammen mit dem name-Parameter bereitgestellt wird, wird die spezifische Version des angegebenen benannten Modells zurückgegeben, sofern sie vorhanden ist. Wenn version weggelassen wird, wird die letzte Version des Modells zurückgegeben.

Standardwert: None
run_id
str

Ein optionale ID, die zum Filtern zurückgegebener Ergebnisse verwendet wird.

Standardwert: None
model_framework
str

Ein optionaler Frameworkname, der zum Filtern zurückgegebener Ergebnisse verwendet wird. Wenn angegeben, werden Ergebnisse für die Modelle zurückgegeben, die mit dem angegebenen Framework übereinstimmen. Zulässige Werte finden Sie unter Framework.

Standardwert: None
workspace
Erforderlich

Das Workspace-Objekt, das das abzurufende Modell enthält.

name
Erforderlich
str

Der Name des abzurufenden Modells. Das neueste Modell mit dem angegebenen Namen wird zurückgegeben, sofern es vorhanden ist.

id
Erforderlich
str

Die ID des abzurufenden Modells. Das Modell mit der angegebenen ID wird zurückgegeben, sofern es vorhanden ist.

tags
Erforderlich

Eine optionale Liste von Tags, die zum Filtern zurückgegebener Ergebnisse verwendet werden. Die Ergebnisse werden basierend auf der bereitgestellten Liste gefiltert, indem entweder nach „key“ oder „[key, value]“ gesucht wird. Ex. ['key', ['key2', 'key2 value']]

properties
Erforderlich

Eine optionale Liste von Eigenschaften, die zum Filtern zurückgegebener Ergebnisse verwendet werden. Die Ergebnisse werden basierend auf der bereitgestellten Liste gefiltert, indem entweder nach „key“ oder „[key, value]“ gesucht wird. Ex. ['key', ['key2', 'key2 value']]

version
Erforderlich
int

Die zurückzugebende Modellversion. Wenn sie zusammen mit dem name-Parameter bereitgestellt wird, wird die spezifische Version des angegebenen benannten Modells zurückgegeben, sofern sie vorhanden ist. Wenn version weggelassen wird, wird die letzte Version des Modells zurückgegeben.

run_id
Erforderlich
str

Ein optionale ID, die zum Filtern zurückgegebener Ergebnisse verwendet wird.

model_framework
Erforderlich
str

Ein optionaler Frameworkname, der zum Filtern zurückgegebener Ergebnisse verwendet wird. Wenn angegeben, werden Ergebnisse für die Modelle zurückgegeben, die mit dem angegebenen Framework übereinstimmen. Zulässige Werte finden Sie unter Framework.

expand

Bei „True“ werden Modelle mit allen aufgefüllten Untereigenschaften zurückgegeben, z. B. „run“, „dataset“ und „experiment“.

Standardwert: True

Hinweise

Der Model-Konstruktor wird verwendet, um eine Clouddarstellung eines Model-Objekts abzurufen, das dem angegebenen Arbeitsbereich zugeordnet ist. Zum Abrufen von Modellen muss mindestens der Name oder die ID angegeben werden. Es sind jedoch auch andere Optionen zum Filtern verfügbar, z. B. Tags, Eigenschaften, Version, Ausführungs-ID und Framework.


   from azureml.core.model import Model
   model = Model(ws, 'my_model_name')

Das folgende Beispiel zeigt, wie eine bestimmte Version eines Modells abgerufen wird.


   from azureml.core.model import Model
   model = Model(ws, 'my_model_name', version=1)

Durch die Registrierung eines Modells wird ein logischer Container für eine oder mehrere Dateien erstellt, aus denen das Modell besteht. Neben den Inhalten der Modelldatei selbst werden in einem Modell Modellmetadaten gespeichert, unter anderem eine Modellbeschreibung, Tags und Frameworkinformationen, die beim Verwalten und Bereitstellen von Modellen in Ihrem Arbeitsbereich nützlich sind. Mithilfe von Tags können Sie Ihre Modelle beispielsweise in Kategorien einteilen und beim Auflisten von Modellen in Ihrem Arbeitsbereich Filter anwenden. Nach der Registrierung können Sie das registrierte Modell dann herunterladen oder bereitstellen und alle Dateien und Metadaten empfangen, die registriert wurden.

Das folgende Beispiel zeigt, wie ein Modell unter Angabe von Tags und einer Beschreibung registriert wird.


   from azureml.core.model import Model

   model = Model.register(model_path="sklearn_regression_model.pkl",
                          model_name="sklearn_regression_model",
                          tags={'area': "diabetes", 'type': "regression"},
                          description="Ridge regression model to predict diabetes",
                          workspace=ws)

Das vollständige Beispiel finden Sie unter https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/deployment/deploy-to-local/register-model-deploy-local-advanced.ipynb.

Das folgende Beispiel zeigt, wie ein Modell unter Angabe des Frameworks, der Eingabe- und Ausgabedatasets und der Ressourcenkonfiguration registriert wird.


   import sklearn

   from azureml.core import Model
   from azureml.core.resource_configuration import ResourceConfiguration


   model = Model.register(workspace=ws,
                          model_name='my-sklearn-model',                # Name of the registered model in your workspace.
                          model_path='./sklearn_regression_model.pkl',  # Local file to upload and register as a model.
                          model_framework=Model.Framework.SCIKITLEARN,  # Framework used to create the model.
                          model_framework_version=sklearn.__version__,  # Version of scikit-learn used to create the model.
                          sample_input_dataset=input_dataset,
                          sample_output_dataset=output_dataset,
                          resource_configuration=ResourceConfiguration(cpu=1, memory_in_gb=0.5),
                          description='Ridge regression model to predict diabetes progression.',
                          tags={'area': 'diabetes', 'type': 'regression'})

   print('Name:', model.name)
   print('Version:', model.version)

Im Abschnitt Variablen sind Attribute einer lokalen Darstellung des cloudbasierten Model-Objekts aufgeführt. Diese Variablen sollten als schreibgeschützt betrachtet werden. Das Ändern ihrer Werte wird im entsprechenden Cloudobjekt nicht widergespiegelt.

Variablen

Name Beschreibung
created_by

Der Benutzer, der das Modell erstellt hat.

created_time

Der Zeitpunkt der Erstellung des Modells.

azureml.core.Model.description

Eine Beschreibung des Model-Objekts.

azureml.core.Model.id

Die Modell-ID. Die ID wird im Format <Modellname>:<Modellversion> angegeben.

mime_type
str

Der MIME-Typ des Modells.

azureml.core.Model.name

Der Name des Modells.

model_framework
str

Das Framework des Modells.

model_framework_version
str

Die Frameworkversion des Modells.

azureml.core.Model.tags

Ein Wörterbuch mit Tags für das Model-Objekt.

azureml.core.Model.properties

Ein Wörterbuch mit Schlüssel-Wert-Eigenschaften für das Modell. Diese Eigenschaften können nach der Registrierung nicht mehr geändert werden. Es können jedoch neue Schlüssel-Wert-Paare hinzugefügt werden.

unpack

Gibt an, ob das Modell (tar-Archiv) entpackt werden muss, wenn es in einen lokalen Kontext gepullt wird.

url
str

Der URL-Speicherort des Modells.

azureml.core.Model.version

Die Version des Modells.

azureml.core.Model.workspace

Der Arbeitsbereich, der das Modell enthält.

azureml.core.Model.experiment_name

Der Name des Experiments, von dem das Modell erstellt wurde.

azureml.core.Model.run_id

Die ID der Ausführung, von der das Modell erstellt wurde.

parent_id
str

Die ID des dem Modell übergeordneten Modells.

derived_model_ids

Eine Liste der Modell-IDs, die von diesem Modell abgeleitet wurden.

resource_configuration

Die Ressourcenkonfiguration (ResourceConfiguration) für dieses Modell. Wird für die Profilerstellung verwendet.

Methoden

add_dataset_references

Zuordnen der bereitgestellten Datasets zu diesem Modell.

add_properties

Hinzufügen von Schlüssel-Wert-Paaren zum Eigenschaftenwörterbuch dieses Modells.

add_tags

Hinzufügen von Schlüssel-Wert-Paaren zum Tag-Wörterbuch dieses Modells.

delete

Löschen dieses Modells aus dem zugeordneten Arbeitsbereich.

deploy

Stellen Sie einen Webdienst aus null oder mehr Model-Objekten bereit.

Der resultierende Webdienst ist ein Echtzeitendpunkt, der für Rückschlussanforderungen verwendet werden kann. Die deploy-Funktion für Modelle ähnelt der deploy-Funktion der Webservice-Klasse, registriert die Modelle jedoch nicht. Verwenden Sie die deploy-Funktion für Modelle, wenn Sie bereits registrierte Model-Objekte haben.

deserialize

Konvertieren eines JSON-Objekts in ein Modellobjekt.

Die Konvertierung schlägt fehl, wenn der angegebene Arbeitsbereich nicht der Arbeitsbereich ist, bei dem das Modell registriert ist.

download

Herunterladen des Modells in das Zielverzeichnis des lokalen Dateisystems.

get_model_path

Dient zum Zurückgeben des Pfads zum Modell.

Die Funktion sucht an den folgenden Stellen nach dem Modell.

Wenn version „None“ ist:

  1. Herunterladen von Remote in den Cache (wenn der Arbeitsbereich angegeben ist)
  2. Laden aus dem Cache azureml-models/$MODEL_NAME/$LATEST_VERSION/
  3. ./$MODEL_NAME

Wenn version nicht „None“ ist:

  1. Laden aus dem Cache azureml-models/$MODEL_NAME/$SPECIFIED_VERSION/
  2. Herunterladen von Remote in den Cache (wenn der Arbeitsbereich angegeben ist)
get_sas_urls

Gibt ein Wörterbuch mit Schlüssel-Wert-Paaren zurück, die Dateinamen und entsprechende SAS-URLs enthalten.

list

Abrufen einer Liste aller Modelle, die dem angegebenen Arbeitsbereich zugeordnet sind (mit optionalen Filtern).

package

Erstellen eines Modellpakets in Form eines Docker-Images oder eines Dockerfile-Buildkontexts.

print_configuration

Ausgeben der Benutzerkonfiguration.

profile

Erstellen eines Profils für das Modell, um Empfehlungen zum Ressourcenbedarf zu erhalten.

Dies ist ein zeitintensiver Vorgang, der je nach Größe des Datasets bis zu 25 Minuten dauern kann.

register

Registrieren eines Modells beim angegebenen Arbeitsbereich.

remove_tags

Entfernen der angegebenen Schlüssel aus dem Tagwörterbuch dieses Modells.

serialize

Konvertieren dieses Modells in ein serialisiertes JSON-Wörterbuch.

update

Durchführen einer direkten Aktualisierung des Modells.

Vorhandene Werte der angegebenen Parameter werden ersetzt.

update_tags_properties

Durchführen einer Aktualisierung der Tags und Eigenschaften des Modells.

add_dataset_references

Zuordnen der bereitgestellten Datasets zu diesem Modell.

add_dataset_references(datasets)

Parameter

Name Beschreibung
datasets
Erforderlich
list[tuple(<xref:str :> (Dataset oder DatasetSnapshot))]

Eine Liste von Tupeln, die eine Kopplung des Zwecks des Datasets mit dem Dataset-Objekt darstellen.

Ausnahmen

Typ Beschreibung

add_properties

Hinzufügen von Schlüssel-Wert-Paaren zum Eigenschaftenwörterbuch dieses Modells.

add_properties(properties)

Parameter

Name Beschreibung
properties
Erforderlich
dict(<xref:str : str>)

Das Wörterbuch der hinzuzufügenden Eigenschaften.

Ausnahmen

Typ Beschreibung

add_tags

Hinzufügen von Schlüssel-Wert-Paaren zum Tag-Wörterbuch dieses Modells.

add_tags(tags)

Parameter

Name Beschreibung
tags
Erforderlich
dict(<xref:{str : str}>)

Das Wörterbuch der hinzuzufügenden Tags.

Ausnahmen

Typ Beschreibung

delete

Löschen dieses Modells aus dem zugeordneten Arbeitsbereich.

delete()

Ausnahmen

Typ Beschreibung

deploy

Stellen Sie einen Webdienst aus null oder mehr Model-Objekten bereit.

Der resultierende Webdienst ist ein Echtzeitendpunkt, der für Rückschlussanforderungen verwendet werden kann. Die deploy-Funktion für Modelle ähnelt der deploy-Funktion der Webservice-Klasse, registriert die Modelle jedoch nicht. Verwenden Sie die deploy-Funktion für Modelle, wenn Sie bereits registrierte Model-Objekte haben.

static deploy(workspace, name, models, inference_config=None, deployment_config=None, deployment_target=None, overwrite=False, show_output=False)

Parameter

Name Beschreibung
workspace
Erforderlich

Ein Arbeitsbereichsobjekt, dem der Webdienst zugeordnet werden soll.

name
Erforderlich
str

Der Name, der dem bereitgestellten Dienst zugewiesen werden soll. Muss für den Arbeitsbereich eindeutig sein, nur aus Kleinbuchstaben, Zahlen oder Bindestrichen bestehen, mit einem Buchstaben beginnen und zwischen 3 und 32 Zeichen lang sein.

models
Erforderlich

Eine Liste mit Modellobjekten. Die Liste kann leer sein.

inference_config

Ein InferenceConfig-Objekt, das zum Bestimmen der erforderlichen Modelleigenschaften verwendet wird.

Standardwert: None
deployment_config

Eine WebserviceDeploymentConfiguration, die zum Konfigurieren des Webdiensts verwendet wird. Wenn keine Konfiguration angegeben wird, wird basierend auf dem gewünschten Ziel ein leeres Konfigurationsobjekt verwendet.

Standardwert: None
deployment_target

Ein ComputeTarget, an dem der Webdienst bereitgestellt werden soll. Da Azure Container Instances nicht über ein zugeordnetes ComputeTarget verfügt, übernehmen Sie für diesen Parameter den Wert „None“, um den Webdienst in Azure Container Instances bereitzustellen.

Standardwert: None
overwrite

Gibt an, ob der vorhandene Dienst überschrieben werden soll, wenn bereits ein Dienst mit dem angegebenen Namen vorhanden ist.

Standardwert: False
show_output

Gibt an, ob der Status der Dienstbereitstellung angezeigt werden soll.

Standardwert: False

Gibt zurück

Typ Beschreibung

Ein Webservice-Objekt, das dem bereitgestellten Webdienst entspricht.

Ausnahmen

Typ Beschreibung

deserialize

Konvertieren eines JSON-Objekts in ein Modellobjekt.

Die Konvertierung schlägt fehl, wenn der angegebene Arbeitsbereich nicht der Arbeitsbereich ist, bei dem das Modell registriert ist.

static deserialize(workspace, model_payload)

Parameter

Name Beschreibung
workspace
Erforderlich

Das Workspace-Objekt, bei dem das Modell registriert ist.

model_payload
Erforderlich

Ein JSON-Objekt, das in ein Model-Objekt konvertiert werden soll.

Gibt zurück

Typ Beschreibung

Die Modelldarstellung des bereitgestellten JSON-Objekts.

Ausnahmen

Typ Beschreibung

download

Herunterladen des Modells in das Zielverzeichnis des lokalen Dateisystems.

download(target_dir='.', exist_ok=False, exists_ok=None)

Parameter

Name Beschreibung
target_dir
str

Der Pfad zu einem Verzeichnis, in das das Modell heruntergeladen werden soll. Der Standardwert lautet „.“.

Standardwert: .
exist_ok

Gibt an, ob heruntergeladene Verzeichnisse/Dateien ersetzt werden sollen, sofern sie vorhanden sind. Der Standardwert lautet „False“.

Standardwert: False
exists_ok

VERALTET. Verwenden Sie exist_ok.

Standardwert: None

Gibt zurück

Typ Beschreibung
str

Der Pfad zur Datei oder zum Ordner des Modells.

Ausnahmen

Typ Beschreibung

get_model_path

Dient zum Zurückgeben des Pfads zum Modell.

Die Funktion sucht an den folgenden Stellen nach dem Modell.

Wenn version „None“ ist:

  1. Herunterladen von Remote in den Cache (wenn der Arbeitsbereich angegeben ist)
  2. Laden aus dem Cache azureml-models/$MODEL_NAME/$LATEST_VERSION/
  3. ./$MODEL_NAME

Wenn version nicht „None“ ist:

  1. Laden aus dem Cache azureml-models/$MODEL_NAME/$SPECIFIED_VERSION/
  2. Herunterladen von Remote in den Cache (wenn der Arbeitsbereich angegeben ist)
static get_model_path(model_name, version=None, _workspace=None)

Parameter

Name Beschreibung
model_name
Erforderlich
str

Der Name des abzurufenden Modells.

version
int

Die Version des abzurufenden Modells. Standardmäßig wird die neueste Version verwendet.

Standardwert: None
_workspace

Der Arbeitsbereich, aus dem ein Modell abgerufen werden soll. Kann nicht remote verwendet werden. Wenn nicht angegeben, wird nur der lokale Cache durchsucht.

Standardwert: None

Gibt zurück

Typ Beschreibung
str

Der Pfad zum Modell auf dem Datenträger.

Ausnahmen

Typ Beschreibung

get_sas_urls

Gibt ein Wörterbuch mit Schlüssel-Wert-Paaren zurück, die Dateinamen und entsprechende SAS-URLs enthalten.

get_sas_urls()

Gibt zurück

Typ Beschreibung

Ein Wörterbuch mit Schlüssel-Wert-Paaren, das Dateinamen und entsprechende SAS-URLs enthält.

Ausnahmen

Typ Beschreibung

list

Abrufen einer Liste aller Modelle, die dem angegebenen Arbeitsbereich zugeordnet sind (mit optionalen Filtern).

static list(workspace, name=None, tags=None, properties=None, run_id=None, latest=False, dataset_id=None, expand=True, page_count=255, model_framework=None)

Parameter

Name Beschreibung
workspace
Erforderlich

Das Workspace-Objekt, aus dem Modelle abgerufen werden sollen.

name
str

Wenn angegeben, werden nur Modelle mit diesem Namen zurückgegeben (sofern vorhanden).

Standardwert: None
tags

Filtert basierend auf der bereitgestellten Liste entweder nach „key“ oder nach „[key, value]“. Ex. ['Schlüssel', ['Schlüssel2', 'Wert von Schlüssel2']]

Standardwert: None
properties

Filtert basierend auf der bereitgestellten Liste entweder nach „Schlüssel“ oder nach „[Schlüssel, Wert]“. Ex. ['key', ['key2', 'key2 value']]

Standardwert: None
run_id
str

Filtert basierend auf der angegebenen Ausführungs-ID.

Standardwert: None
latest

Bei „True“ werden nur Modelle mit der neuesten Version zurückgegeben.

Standardwert: False
dataset_id
str

Filtert basierend auf der angegebenen Dataset-ID.

Standardwert: None
expand

Bei „True“ werden Modelle mit allen aufgefüllten Untereigenschaften zurückgegeben, z. B. „run“, „dataset“ und „experiment“. Wenn diese Einstellung auf „False“ festgelegt wird, beschleunigt dies bei vielen Modellen die Ausführung der list()-Methode.

Standardwert: True
page_count
int

Die Anzahl von Elementen, die auf einer Seite abgerufen werden sollen. Derzeit werden Werte bis 255 unterstützt. Der Standardwert ist 255.

Standardwert: 255
model_framework
str

Wenn angegeben, werden nur Modelle mit diesem Framework zurückgegeben (sofern vorhanden).

Standardwert: None

Gibt zurück

Typ Beschreibung

Eine Liste von Modellen (optional gefiltert).

Ausnahmen

Typ Beschreibung

package

Erstellen eines Modellpakets in Form eines Docker-Images oder eines Dockerfile-Buildkontexts.

static package(workspace, models, inference_config=None, generate_dockerfile=False, image_name=None, image_label=None)

Parameter

Name Beschreibung
workspace
Erforderlich

Der Arbeitsbereich, in dem das Paket erstellt werden soll.

models
Erforderlich

Eine Liste von Model-Objekten, die in das Paket aufgenommen werden sollen. Die Liste kann leer sein.

inference_config

Ein InferenceConfig-Objekt zum Konfigurieren der Funktionsweise der Modelle. Dies muss ein Environment-Objekt enthalten.

Standardwert: None
generate_dockerfile

Gibt an, ob eine Dockerfile-Datei erstellt werden soll, die lokal ausgeführt werden kann, anstatt ein Image zu erstellen.

Standardwert: False
image_name
str

Beim Erstellen eines Images der Name für das resultierende Image.

Standardwert: None
image_label
str

Beim Erstellen eines Images die Bezeichnung für das resultierende Image.

Standardwert: None

Gibt zurück

Typ Beschreibung

Ein ModelPackage-Objekt.

Ausnahmen

Typ Beschreibung

print_configuration

Ausgeben der Benutzerkonfiguration.

static print_configuration(models, inference_config, deployment_config, deployment_target)

Parameter

Name Beschreibung
models
Erforderlich

Eine Liste mit Model-Objekten. Die Liste kann leer sein.

inference_config
Erforderlich

Ein InferenceConfig-Objekt, das zum Bestimmen der erforderlichen Modelleigenschaften verwendet wird.

deployment_config
Erforderlich

Eine Webdienst-Bereitstellungskonfiguration (WebserviceDeploymentConfiguration), die zum Konfigurieren des Webdiensts verwendet wird.

deployment_target
Erforderlich

Ein ComputeTarget, an dem der Webdienst bereitgestellt werden soll.

Ausnahmen

Typ Beschreibung

profile

Erstellen eines Profils für das Modell, um Empfehlungen zum Ressourcenbedarf zu erhalten.

Dies ist ein zeitintensiver Vorgang, der je nach Größe des Datasets bis zu 25 Minuten dauern kann.

static profile(workspace, profile_name, models, inference_config, input_dataset, cpu=None, memory_in_gb=None, description=None)

Parameter

Name Beschreibung
workspace
Erforderlich

Ein Workspace-Objekt, in dem ein Profil für das Modell erstellt werden soll.

profile_name
Erforderlich
str

Der Name der Profilerstellungsausführung.

models
Erforderlich

Eine Liste mit Modellobjekten. Die Liste kann leer sein.

inference_config
Erforderlich

Ein InferenceConfig-Objekt, das zum Bestimmen der erforderlichen Modelleigenschaften verwendet wird.

input_dataset
Erforderlich

Das Eingabedataset für die Profilerstellung. Das Eingabedataset sollte eine einzelne Spalte enthalten, und Beispieleingaben sollten im Zeichenfolgenformat vorliegen.

cpu

Die Anzahl von CPU-Kernen, die auf der größten Testinstanz verwendet werden sollen. Derzeit werden Werte bis 3,5 unterstützt.

Standardwert: None
memory_in_gb

Die Größe des Arbeitsspeichers (in GB), die auf der größten Testinstanz verwendet werden soll. Kann eine Dezimalzahl sein. Derzeit werden Werte bis 15,0 unterstützt.

Standardwert: None
description
str

Eine Beschreibung, die der Profilerstellungsausführung zugeordnet werden soll.

Standardwert: None

Gibt zurück

Typ Beschreibung

Ausnahmen

Typ Beschreibung
<xref:azureml.exceptions.WebserviceException>, <xref:azureml.exceptions.UserErrorException>

register

Registrieren eines Modells beim angegebenen Arbeitsbereich.

static register(workspace, model_path, model_name, tags=None, properties=None, description=None, datasets=None, model_framework=None, model_framework_version=None, child_paths=None, sample_input_dataset=None, sample_output_dataset=None, resource_configuration=None)

Parameter

Name Beschreibung
workspace
Erforderlich

Der Arbeitsbereich, bei dem das Modell registriert werden soll.

model_path
Erforderlich
str

Der Pfad im lokalen Dateisystem, in dem sich die Modellressourcen befinden. Dies kann ein direkter Zeiger auf eine einzelne Datei oder einen einzelnen Ordner sein. Wenn auf einen Ordner verwiesen wird, kann der child_paths-Parameter verwendet werden, um einzelne Dateien anzugeben, die als Model-Objekt gebündelt werden sollen, anstatt den gesamten Inhalt des Ordners zu verwenden.

model_name
Erforderlich
str

Der Name, mit dem das Modell registriert werden soll.

tags
dict(<xref:{str : str}>)

Ein optionales Wörterbuch mit Schlüssel-Wert-Tags, die dem Modell zugewiesen werden sollen.

Standardwert: None
properties
dict(<xref:{str : str}>)

Ein optionales Wörterbuch mit Schlüssel-Wert-Eigenschaften, die dem Modell zugewiesen werden sollen. Diese Eigenschaften können nach der Erstellung des Modells nicht mehr geändert werden. Es können jedoch neue Schlüssel-Wert-Paare hinzugefügt werden.

Standardwert: None
description
str

Eine Textbeschreibung des Modells.

Standardwert: None
datasets

Eine Liste von Tupeln, wobei das erste Element die Beziehung zwischen Dataset und Modell beschreibt und das zweite Element das Dataset ist.

Standardwert: None
model_framework
str

Das Framework des registrierten Modells. Die Verwendung der vom System unterstützten Konstanten aus der Framework-Klasse ermöglicht eine vereinfachte Bereitstellung für einige gängige Frameworks.

Standardwert: None
model_framework_version
str

Die Frameworkversion des registrierten Modells.

Standardwert: None
child_paths

Wenn es in Verbindung mit einem model_path zu einem Ordner angegeben wird, werden nur die angegebenen Dateien im Model-Objekt gebündelt.

Standardwert: None
sample_input_dataset

Das Beispieleingabedataset für das registrierte Modell.

Standardwert: None
sample_output_dataset

Das Beispielausgabedataset für das registrierte Modell.

Standardwert: None
resource_configuration

Eine Ressourcenkonfiguration zum Ausführen des registrierten Modells.

Standardwert: None

Gibt zurück

Typ Beschreibung

Das registrierte Model-Objekt.

Ausnahmen

Typ Beschreibung

Hinweise

Neben den Inhalten der Modelldatei selbst werden in einem Modell Modellmetadaten gespeichert, unter anderem eine Modellbeschreibung, Tags und Frameworkinformationen, die beim Verwalten und Bereitstellen von Modellen in Ihrem Arbeitsbereich nützlich sind. Mithilfe von Tags können Sie Ihre Modelle beispielsweise in Kategorien einteilen und beim Auflisten von Modellen in Ihrem Arbeitsbereich Filter anwenden.

Das folgende Beispiel zeigt, wie ein Modell unter Angabe von Tags und einer Beschreibung registriert wird.


   from azureml.core.model import Model

   model = Model.register(model_path="sklearn_regression_model.pkl",
                          model_name="sklearn_regression_model",
                          tags={'area': "diabetes", 'type': "regression"},
                          description="Ridge regression model to predict diabetes",
                          workspace=ws)

Das vollständige Beispiel finden Sie unter https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/deployment/deploy-to-local/register-model-deploy-local-advanced.ipynb.

Wenn Sie über ein Modell verfügen, das als Ergebnis einer Experimentausführung erstellt wurde, können Sie es direkt aus einem Run-Objekt registrieren, ohne es zuerst in eine lokale Datei herunterzuladen. Verwenden Sie dazu die register_model-Methode wie in der Run-Klasse dokumentiert.

remove_tags

Entfernen der angegebenen Schlüssel aus dem Tagwörterbuch dieses Modells.

remove_tags(tags)

Parameter

Name Beschreibung
tags
Erforderlich

Die Liste der zu entfernenden Schlüssel.

Ausnahmen

Typ Beschreibung

serialize

Konvertieren dieses Modells in ein serialisiertes JSON-Wörterbuch.

serialize()

Gibt zurück

Typ Beschreibung

Die JSON-Darstellung dieses Modells.

Ausnahmen

Typ Beschreibung

update

Durchführen einer direkten Aktualisierung des Modells.

Vorhandene Werte der angegebenen Parameter werden ersetzt.

update(tags=None, description=None, sample_input_dataset=None, sample_output_dataset=None, resource_configuration=None)

Parameter

Name Beschreibung
tags
dict(<xref:{str : str}>)

Ein Wörterbuch mit Tags, mit denen das Modell aktualisiert werden soll. Diese Tags ersetzen vorhandene Tags für das Modell.

Standardwert: None
description
str

Die neue Beschreibung, die für das Modell verwendet werden soll. Dieser Name ersetzt den vorhandenen Namen.

Standardwert: None
sample_input_dataset

Das Beispieleingabedataset, das für das registrierte Modell verwendet werden soll. Dieses Beispieleingabedataset ersetzt das vorhandene Dataset.

Standardwert: None
sample_output_dataset

Das Beispielausgabedataset, das für das registrierte Modell verwendet werden soll. Dieses Beispielausgabedataset ersetzt das vorhandene Dataset.

Standardwert: None
resource_configuration

Die Ressourcenkonfiguration, die zum Ausführen des registrierten Modells verwendet werden soll.

Standardwert: None

Ausnahmen

Typ Beschreibung

update_tags_properties

Durchführen einer Aktualisierung der Tags und Eigenschaften des Modells.

update_tags_properties(add_tags=None, remove_tags=None, add_properties=None)

Parameter

Name Beschreibung
add_tags
dict(<xref:{str : str}>)

Ein Wörterbuch mit hinzuzufügenden Tags.

Standardwert: None
remove_tags

Eine Liste der zu entfernenden Tagnamen.

Standardwert: None
add_properties
dict(<xref:{str : str}>)

Ein Wörterbuch mit hinzuzufügenden Eigenschaften.

Standardwert: None

Ausnahmen

Typ Beschreibung