Model Klasse

Stellt das Ergebnis der maschinellen Lernschulung dar.

Ein Modell ist das Ergebnis einer Azure Machine Learning-Schulung Run oder eines anderen Modellschulungsprozesses außerhalb von Azure. Unabhängig davon, wie das Modell erstellt wird, kann es in einem Arbeitsbereich registriert werden, in dem 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 bereitstellen, der für Rückschlussanforderungen verwendet werden kann.

Ein end-to-End-Lernprogramm, das zeigt, wie Modelle erstellt, verwaltet und genutzt werden, finden Sie unter Trainieren des Bildklassifizierungsmodells mit MNIST-Daten und Scikit-Learn mithilfe von Azure Machine Learning.

Modellkonstruktor.

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

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	Workspace Das Arbeitsbereichsobjekt, das das abzurufende Modell enthält.
name	str Der Name des abzurufenden Modells. Das neueste Modell mit dem angegebenen Namen wird zurückgegeben, sofern vorhanden. Standardwert: None
id	str Die ID des abzurufenden Modells. Das Modell mit der angegebenen ID wird zurückgegeben, sofern es vorhanden ist. Standardwert: None
tags	list Eine optionale Liste von Tags, die zum Filtern zurückgegebener Ergebnisse verwendet werden. Die Ergebnisse werden basierend auf der bereitgestellten Liste gefiltert, wobei entweder nach "Schlüssel" oder "[Schlüssel, Wert]" gesucht wird. Ex. ['key'; ['key2', 'key2 value']] Standardwert: None
properties	list Eine optionale Liste der Eigenschaften, die zum Filtern zurückgegebener Ergebnisse verwendet werden. Die Ergebnisse werden basierend auf der bereitgestellten Liste gefiltert, wobei entweder nach "Schlüssel" oder "[Schlüssel, Wert]" 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 vorhanden. Wenn `version` nicht angegeben wird, wird die letzte Version des Modells zurückgegeben. Standardwert: None
run_id	str Optionale ID zum Filtern zurückgegebener Ergebnisse. Standardwert: None
model_framework	str Optionaler Frameworkname, der zum Filtern zurückgegebener Ergebnisse verwendet wird. Wenn angegeben, werden Ergebnisse für die Modelle zurückgegeben, die mit dem angegebenen Framework übereinstimmen. Siehe Framework zulässige Werte. Standardwert: None
workspace Erforderlich	Workspace Das Arbeitsbereichsobjekt, das das abzurufende Modell enthält.
name Erforderlich	str Der Name des abzurufenden Modells. Das neueste Modell mit dem angegebenen Namen wird zurückgegeben, sofern vorhanden.
id Erforderlich	str Die ID des abzurufenden Modells. Das Modell mit der angegebenen ID wird zurückgegeben, sofern es vorhanden ist.
tags Erforderlich	list Eine optionale Liste von Tags, die zum Filtern zurückgegebener Ergebnisse verwendet werden. Die Ergebnisse werden basierend auf der bereitgestellten Liste gefiltert, wobei entweder nach "Schlüssel" oder "[Schlüssel, Wert]" gesucht wird. Ex. ['key'; ['key2', 'key2 value']]
properties Erforderlich	list Eine optionale Liste der Eigenschaften, die zum Filtern zurückgegebener Ergebnisse verwendet werden. Die Ergebnisse werden basierend auf der bereitgestellten Liste gefiltert, wobei entweder nach "Schlüssel" oder "[Schlüssel, Wert]" 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 vorhanden. Wenn `version` nicht angegeben wird, wird die letzte Version des Modells zurückgegeben.
run_id Erforderlich	str Optionale ID zum Filtern zurückgegebener Ergebnisse.
model_framework Erforderlich	str Optionaler Frameworkname, der zum Filtern zurückgegebener Ergebnisse verwendet wird. Wenn angegeben, werden Ergebnisse für die Modelle zurückgegeben, die mit dem angegebenen Framework übereinstimmen. Siehe Framework zulässige Werte.
expand	bool Wenn "true", werden Modelle zurückgegeben, für die alle Untereigenschaften aufgefüllt sind, z. B. Ausführen, Dataset und Experiment. Standardwert: True

Hinweise

Der Model-Konstruktor wird verwendet, um eine Clouddarstellung eines Model-Objekts abzurufen, das dem angegebenen Arbeitsbereich zugeordnet ist. Mindestens der Name oder die ID muss zum Abrufen von Modellen bereitgestellt werden, aber es gibt auch andere Optionen zum Filtern, einschließlich Tags, Eigenschaften, Version, Ausführungs-ID und Framework.


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

Im folgenden Beispiel wird gezeigt, wie Sie eine bestimmte Version eines Modells abrufen.


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

Durch das Registrieren eines Modells wird ein logischer Container für die dateien erstellt, aus denen ihr Modell besteht. Neben dem Inhalt der Modelldatei selbst speichert ein registriertes Modell auch Modellmetadaten, einschließlich Modellbeschreibung, Tags und Frameworkinformationen, die beim Verwalten und Bereitstellen des Modells in Ihrem Arbeitsbereich nützlich sind. Mit Tags können Sie beispielsweise Ihre Modelle kategorisieren und Filter anwenden, wenn Sie Modelle in Ihrem Arbeitsbereich auflisten. Nach der Registrierung können Sie das registrierte Modell herunterladen oder bereitstellen und alle dateien und Metadaten erhalten, die registriert wurden.

Im folgenden Beispiel wird gezeigt, wie Sie ein Modell registrieren, das Tags und eine Beschreibung angibt.


   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 folgende Beispiel zeigt, wie Sie ein Modell registrieren, das Framework, Eingabe- und Ausgabe-Datasets und die Ressourcenkonfiguration angibt.


   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 " werden Attribute einer lokalen Darstellung des Cloudmodellobjekts aufgelistet. Diese Variablen sollten als schreibgeschützt betrachtet werden. Das Ändern ihrer Werte wird nicht im entsprechenden Cloudobjekt wiedergegeben.

Variablen

Name	Beschreibung
created_by	dict Der Benutzer, der das Modell erstellt hat.
created_time	datetime Beim Erstellen des Modells.
azureml.core.Model.description	Eine Beschreibung des Model-Objekts.
azureml.core.Model.id	Die Modell-ID. Dies hat die Form von <Modellname>:<Modellversion>.
mime_type	str Der Modell-MIME-Typ.
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	Wörterbuch der Schlüsselwerteigenschaften für das Modell. Diese Eigenschaften können nach der Registrierung nicht mehr geändert werden, aber neue Schlüsselwertpaare können hinzugefügt werden.
unpack	bool Gibt an, ob das Modell entpackt (untarred) werden muss, wenn es in einen lokalen Kontext gezogen 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, das das Modell erstellt hat.
azureml.core.Model.run_id	Die ID der Ausführung, die das Modell erstellt hat.
parent_id	str Die ID des übergeordneten Modells des Modells.
derived_model_ids	list[str] Eine Liste der Modell-IDs, die von diesem Modell abgeleitet wurden.
resource_configuration	ResourceConfiguration ResourceConfiguration für dieses Modell. Wird für Profilerstellung verwendet.

Methoden

add_dataset_references	Ordnen Sie die bereitgestellten Datasets diesem Modell zu.
add_properties	Fügen Sie dem Eigenschaftenverzeichnis dieses Modells Schlüsselwertpaare hinzu.
add_tags	Fügen Sie schlüsselwertpaare zum Kategorienverzeichnis dieses Modells hinzu.
delete	Löschen Sie dieses Modell aus dem zugeordneten Arbeitsbereich.
deploy	Stellen Sie einen Webdienst aus null oder mehr Model Objekten bereit. Der resultierende Webdienst ist ein Echtzeitendpunkt, der für Ableitungsanforderungen verwendet werden kann. Die Modellfunktion `deploy` ähnelt der `deploy` Funktion der Webservice Klasse, registriert aber nicht die Modelle. Verwenden Sie die Modellfunktion `deploy` , wenn Sie Modellobjekte haben, die bereits registriert sind.
deserialize	Konvertieren Sie ein JSON-Objekt in ein Modellobjekt. Konvertierung schlägt fehl, wenn der angegebene Arbeitsbereich nicht der Arbeitsbereich ist, für den das Modell registriert ist.
download	Laden Sie das Modell in das Zielverzeichnis des lokalen Dateisystems herunter.
get_model_path	Gibt den Pfad zum Modell zurück. Die Funktion sucht nach dem Modell an den folgenden Speicherorten. If `version` is None: Herunterladen von Remote in Cache (falls Arbeitsbereich bereitgestellt wird) Laden aus cache azureml-models/$MODEL_NAME/$LATEST_VERSION/ ./$MODEL_NAME If `version` is not None: Laden aus cache azureml-models/$MODEL_NAME/$SPECIFIED_VERSION/ Herunterladen von Remote in Cache (falls Arbeitsbereich bereitgestellt wird)
get_sas_urls	Gibt ein Wörterbuch von Schlüsselwertpaaren zurück, die Dateinamen und entsprechende SAS-URLs enthalten.
list	Dient zum Abrufen einer Liste aller Modelle, die dem bereitgestellten Arbeitsbereich zugeordnet sind, mit optionalen Filtern.
package	Erstellen Sie ein Modellpaket in Form eines Docker-Images oder Dockerfile-Buildkontexts.
print_configuration	Drucken sie die Benutzerkonfiguration.
profile	Profilet das Modell, um Empfehlungen für Ressourcenanforderungen abzurufen. Dies ist ein vorgang mit langer Ausführung, der je nach Größe des Datasets bis zu 25 Minuten dauern kann.
register	Registrieren Sie ein Modell mit dem bereitgestellten Arbeitsbereich.
remove_tags	Entfernen Sie die angegebenen Schlüssel aus dem Kategorienverzeichnis dieses Modells.
serialize	Konvertieren Sie dieses Modell in ein serialisiertes JSON-Wörterbuch.
update	Führen Sie eine direkte Aktualisierung des Modells aus. Vorhandene Werte der angegebenen Parameter werden ersetzt.
update_tags_properties	Führen Sie eine Aktualisierung der Tags und Eigenschaften des Modells durch.

add_dataset_references

Ordnen Sie die bereitgestellten Datasets diesem Modell zu.

add_dataset_references(datasets)

Parameter

Name	Beschreibung
datasets Erforderlich	list[tuple(<xref:str :> (Dataset oder DatasetSnapshot))] Eine Liste von Tupeln, die eine Kopplung des Datasetzwecks zum Datasetobjekt darstellen.

Ausnahmen

Typ	Beschreibung
WebserviceException

add_properties

Fügen Sie dem Eigenschaftenverzeichnis dieses Modells Schlüsselwertpaare hinzu.

add_properties(properties)

Parameter

Name	Beschreibung
properties Erforderlich	dict(<xref:str : str>) Das Wörterbuch der hinzuzufügenden Eigenschaften.

add_tags

Fügen Sie schlüsselwertpaare zum Kategorienverzeichnis dieses Modells hinzu.

add_tags(tags)

Parameter

Name	Beschreibung
tags Erforderlich	dict(<xref:{str : str}>) Das Wörterbuch der hinzuzufügenden Tags.

Ausnahmen

Typ	Beschreibung
WebserviceException

delete

Löschen Sie dieses Modell aus dem zugeordneten Arbeitsbereich.

delete()

Ausnahmen

Typ	Beschreibung
WebserviceException

deploy

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

Der resultierende Webdienst ist ein Echtzeitendpunkt, der für Ableitungsanforderungen verwendet werden kann. Die Modellfunktion deploy ähnelt der deploy Funktion der Webservice Klasse, registriert aber nicht die Modelle. Verwenden Sie die Modellfunktion deploy , wenn Sie Modellobjekte haben, die bereits registriert sind.

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

Parameter

Name	Beschreibung
workspace Erforderlich	Workspace Ein Workspace-Objekt, 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 Gedankenstrichen bestehen, mit einem Buchstaben beginnen und zwischen 3 und 32 Zeichen lang sein.
models Erforderlich	list[Model] Eine Liste von Modellobjekten. Kann eine leere Liste sein.
inference_config	InferenceConfig Ein InferenceConfig-Objekt, das zum Ermitteln der erforderlichen Modelleigenschaften verwendet wird. Standardwert: None
deployment_config	WebserviceDeploymentConfiguration Eine WebserviceDeploymentConfiguration, die zum Konfigurieren des Webdiensts verwendet wird. Wenn eines nicht angegeben wird, wird ein leeres Konfigurationsobjekt basierend auf dem gewünschten Ziel verwendet. Standardwert: None
deployment_target	ComputeTarget A ComputeTarget zum Bereitstellen des Webdiensts auf. Da Azure-Containerinstanzen nicht zugeordnet ComputeTargetsind, lassen Sie diesen Parameter als "None" für die Bereitstellung in Azure-Containerinstanzen. Standardwert: None
overwrite	bool Gibt an, ob der vorhandene Dienst überschrieben werden soll, wenn bereits ein Dienst mit dem angegebenen Namen vorhanden ist. Standardwert: False
show_output	bool Gibt an, ob der Fortschritt der Dienstbereitstellung angezeigt werden soll. Standardwert: False

Gibt zurück

Typ	Beschreibung
Webservice	Ein Webservice-Objekt, das dem bereitgestellten Webdienst entspricht.

Ausnahmen

Typ	Beschreibung
WebserviceException

deserialize

Konvertieren Sie ein JSON-Objekt in ein Modellobjekt.

Konvertierung schlägt fehl, wenn der angegebene Arbeitsbereich nicht der Arbeitsbereich ist, für den das Modell registriert ist.

static deserialize(workspace, model_payload)

Parameter

Name	Beschreibung
workspace Erforderlich	Workspace Das Arbeitsbereichsobjekt, bei dem das Modell registriert ist.
model_payload Erforderlich	dict Ein JSON-Objekt, das in ein Model-Objekt konvertiert werden soll.

Gibt zurück

Typ	Beschreibung
Model	Die Modelldarstellung des bereitgestellten JSON-Objekts.

download

Laden Sie das Modell in das Zielverzeichnis des lokalen Dateisystems herunter.

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

Parameter

Name	Beschreibung
target_dir	str Der Pfad zu einem Verzeichnis, in dem das Modell heruntergeladen werden soll. Standardmäßig ist "." Standardwert: .
exist_ok	bool Gibt an, ob heruntergeladene Dir/Dateien ersetzt werden sollen, falls vorhanden. Der Standardwert lautet „False“. Standardwert: False
exists_ok	bool VERALTET. Verwenden Sie `exist_ok`. Standardwert: None

Gibt zurück

Typ	Beschreibung
str	Der Pfad zu Datei oder Ordner des Modells.

get_model_path

Gibt den Pfad zum Modell zurück.

Die Funktion sucht nach dem Modell an den folgenden Speicherorten.

If version is None:

Herunterladen von Remote in Cache (falls Arbeitsbereich bereitgestellt wird)
Laden aus cache azureml-models/$MODEL_NAME/$LATEST_VERSION/
./$MODEL_NAME

If version is not None:

Laden aus cache azureml-models/$MODEL_NAME/$SPECIFIED_VERSION/
Herunterladen von Remote in Cache (falls Arbeitsbereich bereitgestellt wird)

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	Workspace Der Arbeitsbereich, aus dem ein Modell abgerufen werden soll. Remoteverwendung nicht möglich. Wenn nicht nur der lokale Cache angegeben wird, wird durchsucht. Standardwert: None

Gibt zurück

Typ	Beschreibung
str	Der Pfad auf dem Datenträger zum Modell.

Ausnahmen

Typ	Beschreibung
ModelNotFoundException

get_sas_urls

Gibt ein Wörterbuch von Schlüsselwertpaaren zurück, die Dateinamen und entsprechende SAS-URLs enthalten.

get_sas_urls()

Gibt zurück

Typ	Beschreibung
dict	Wörterbuch der Schlüsselwertpaare, die Dateinamen und entsprechende SAS-URLs enthalten

list

Dient zum Abrufen einer Liste aller Modelle, die dem bereitgestellten 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	Workspace Das Arbeitsbereichsobjekt, aus dem Modelle abgerufen werden sollen.
name	str Wenn angegeben, werden nur Modelle mit dem angegebenen Namen zurückgegeben, sofern vorhanden. Standardwert: None
tags	list Filtert basierend auf der bereitgestellten Liste entweder nach "Schlüssel" oder "[Schlüssel, Wert]". Ex. ['key'; ['key2', 'key2 value']] Standardwert: None
properties	list Filtert basierend auf der bereitgestellten Liste entweder nach "Schlüssel" oder "[Schlüssel, Wert]". Ex. ['key'; ['key2', 'key2 value']] Standardwert: None
run_id	str Filtert basierend auf der bereitgestellten Ausführungs-ID. Standardwert: None
latest	bool Wenn true, werden nur Modelle mit der neuesten Version zurückgegeben. Standardwert: False
dataset_id	str Filtert basierend auf der bereitgestellten Dataset-ID. Standardwert: None
expand	bool Wenn "true", werden Modelle zurückgegeben, für die alle Untereigenschaften aufgefüllt sind, z. B. Ausführen, Dataset und Experiment. Wenn Sie diesen Wert auf "false" festlegen, sollte die Vervollständigung der List()-Methode bei vielen Modellen beschleunigt werden. Standardwert: True
page_count	int Die Anzahl der Elemente, die auf einer Seite abgerufen werden sollen. Unterstützt derzeit Werte bis zu 255. Standardwert ist 255. Standardwert: 255
model_framework	str Wenn angegeben, werden nur Modelle mit dem angegebenen Framework zurückgegeben, sofern vorhanden. Standardwert: None

Gibt zurück

Typ	Beschreibung
list[Model]	Eine Liste der Modelle, optional gefiltert.

Ausnahmen

Typ	Beschreibung
WebserviceException

package

Erstellen Sie ein Modellpaket in Form eines Docker-Images oder Dockerfile-Buildkontexts.

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

Parameter

Name	Beschreibung
workspace Erforderlich	Workspace Der Arbeitsbereich, in dem das Paket erstellt werden soll.
models Erforderlich	list[Model] Eine Liste der Model-Objekte, die in das Paket aufgenommen werden sollen. Kann eine leere Liste sein.
inference_config	InferenceConfig Ein InferenceConfig-Objekt zum Konfigurieren des Vorgangs der Modelle. Dies muss ein Environment-Objekt enthalten. Standardwert: None
generate_dockerfile	bool 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 Bilds wird der Name des resultierenden Bilds verwendet. Standardwert: None
image_label	str Beim Erstellen eines Bilds wird die Beschriftung für das resultierende Bild angezeigt. Standardwert: None

Gibt zurück

Typ	Beschreibung
ModelPackage	Ein ModelPackage-Objekt.

print_configuration

Drucken sie die Benutzerkonfiguration.

static print_configuration(models, inference_config, deployment_config, deployment_target)

Parameter

Name	Beschreibung
models Erforderlich	list[Model] Eine Liste von Modellobjekten. Kann eine leere Liste sein.
inference_config Erforderlich	InferenceConfig Ein InferenceConfig-Objekt, das zum Ermitteln der erforderlichen Modelleigenschaften verwendet wird.
deployment_config Erforderlich	WebserviceDeploymentConfiguration Eine WebserviceDeploymentConfiguration, die zum Konfigurieren des Webdiensts verwendet wird.
deployment_target Erforderlich	ComputeTarget A ComputeTarget zum Bereitstellen des Webdiensts auf.

profile

Profilet das Modell, um Empfehlungen für Ressourcenanforderungen abzurufen.

Dies ist ein vorgang mit langer Ausführung, 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	Workspace Ein Arbeitsbereichsobjekt, in dem das Modell profilieren soll.
profile_name Erforderlich	str Der Name der Profilerstellungsausführung.
models Erforderlich	list[Model] Eine Liste von Modellobjekten. Kann eine leere Liste sein.
inference_config Erforderlich	InferenceConfig Ein InferenceConfig-Objekt, das zum Ermitteln der erforderlichen Modelleigenschaften verwendet wird.
input_dataset Erforderlich	Dataset Das Eingabedatenset für die Profilerstellung. Das Eingabedatenset sollte eine einzelne Spalte aufweisen, und Beispieleingaben sollten im Zeichenfolgenformat vorliegen.
cpu	float Die Anzahl der cpu-Kerne, die für die größte Testinstanz verwendet werden sollen. Unterstützt derzeit Werte bis zu 3,5. Standardwert: None
memory_in_gb	float Die Arbeitsspeichermenge (in GB), die für die größte Testinstanz verwendet werden soll. Dies kann eine Dezimalzahl sein. Derzeit unterstützen Werte bis zu 15,0. Standardwert: None
description	str Beschreibung, die der Profilerstellungsausführung zugeordnet werden soll. Standardwert: None

Gibt zurück

Typ	Beschreibung
ModelProfile

Ausnahmen

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

register

Registrieren Sie ein Modell mit dem bereitgestellten 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	Workspace 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 ordner sein. Wenn Sie auf einen Ordner zeigen, kann der `child_paths` Parameter verwendet werden, um einzelne Dateien anzugeben, die als Model-Objekt zusammengefasst 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 Schlüsselwerttags, das dem Modell zugewiesen werden soll. Standardwert: None
properties	dict(<xref:{str : str}>) Ein optionales Wörterbuch mit Schlüsselwerteigenschaften, das dem Modell zugewiesen werden soll. Diese Eigenschaften können nach der Modellerstellung nicht geändert werden, aber neue Schlüsselwertpaare können hinzugefügt werden. Standardwert: None
description	str Eine Textbeschreibung des Modells. Standardwert: None
datasets	list[(str, AbstractDataset)] Eine Liste von Tupeln, in denen das erste Element die Datasetmodellbeziehung und das zweite Element das Dataset beschreibt. 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	list[str] Wenn in Verbindung mit einem `model_path` Ordner angegeben wird, werden nur die angegebenen Dateien im Model-Objekt gebündelt. Standardwert: None
sample_input_dataset	AbstractDataset Beispieleingabe-Dataset für das registrierte Modell. Standardwert: None
sample_output_dataset	AbstractDataset Beispielausgabe-Dataset für das registrierte Modell. Standardwert: None
resource_configuration	ResourceConfiguration Eine Ressourcenkonfiguration zum Ausführen des registrierten Modells. Standardwert: None

Gibt zurück

Typ	Beschreibung
Model	Das registrierte Modellobjekt.

Hinweise

Neben dem Inhalt der Modelldatei selbst speichert ein registriertes Modell auch Modellmetadaten, einschließlich Modellbeschreibung, Tags und Frameworkinformationen, die beim Verwalten und Bereitstellen des Modells in Ihrem Arbeitsbereich nützlich sind. Mit Tags können Sie beispielsweise Ihre Modelle kategorisieren und Filter anwenden, wenn Sie Modelle in Ihrem Arbeitsbereich auflisten.

Im folgenden Beispiel wird gezeigt, wie Sie ein Modell registrieren, das Tags und eine Beschreibung angibt.


   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)

Wenn Sie ein Modell haben, das als Ergebnis einer Experimentausführung erstellt wurde, können Sie es direkt aus einem Ausführungsobjekt registrieren, ohne es zuerst in eine lokale Datei herunterzuladen. Um dies zu tun, verwenden Sie die register_model Methode wie in der Run Klasse dokumentiert.

remove_tags

Entfernen Sie die angegebenen Schlüssel aus dem Kategorienverzeichnis dieses Modells.

remove_tags(tags)

Parameter

Name	Beschreibung
tags Erforderlich	list[str] Die Liste der zu entfernenden Schlüssel

serialize

Konvertieren Sie dieses Modell in ein serialisiertes JSON-Wörterbuch.

serialize()

Gibt zurück

Typ	Beschreibung
dict	Die JSON-Darstellung dieses Modells

update

Führen Sie eine direkte Aktualisierung des Modells aus.

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 dem 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	AbstractDataset Das Beispieleingabe-Dataset, das für das registrierte Modell verwendet werden soll. Dieses Beispieleingabe-Dataset ersetzt das vorhandene Dataset. Standardwert: None
sample_output_dataset	AbstractDataset Das Beispielausgabe-Dataset, das für das registrierte Modell verwendet werden soll. Dieses Beispielausgabe-Dataset ersetzt das vorhandene Dataset. Standardwert: None
resource_configuration	ResourceConfiguration Die Zum Ausführen des registrierten Modells zu verwendende Ressourcenkonfiguration. Standardwert: None

Ausnahmen

Typ	Beschreibung
WebserviceException

update_tags_properties

Führen Sie eine Aktualisierung der Tags und Eigenschaften des Modells durch.

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

Parameter

Name	Beschreibung
add_tags	dict(<xref:{str : str}>) Ein Wörterbuch mit Tags, die hinzugefügt werden sollen. Standardwert: None
remove_tags	list[str] Eine Liste der zu entfernenden Tagnamen. Standardwert: None
add_properties	dict(<xref:{str : str}>) Ein Wörterbuch der hinzuzufügenden Eigenschaften. Standardwert: None

Ausnahmen

Typ	Beschreibung
WebserviceException

Feedback

War diese Seite hilfreich?

Freigeben über

Model Klasse

Konstruktor

Parameter

Hinweise

Variablen

Methoden

add_dataset_references

Parameter

Ausnahmen

add_properties

Parameter

add_tags

Parameter

Ausnahmen

delete

Ausnahmen

deploy

Parameter

Gibt zurück

Ausnahmen

deserialize

Parameter

Gibt zurück

download

Parameter

Gibt zurück

get_model_path

Parameter

Gibt zurück

Ausnahmen

get_sas_urls

Gibt zurück

list

Parameter

Gibt zurück

Ausnahmen

package

Parameter

Gibt zurück

print_configuration

Parameter

profile

Parameter

Gibt zurück

Ausnahmen

register

Parameter

Gibt zurück

Hinweise

remove_tags

Parameter

serialize

Gibt zurück

update

Parameter

Ausnahmen

update_tags_properties

Parameter

Ausnahmen

Feedback