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.objectModel
Konstruktor
Model(workspace, name=None, id=None, tags=None, properties=None, version=None, run_id=None, model_framework=None, expand=True, **kwargs)Parameter
- name
- str
Der Name des abzurufenden Modells. Das neueste Modell mit dem angegebenen Namen wird zurückgegeben, sofern es vorhanden ist.
- id
- str
Die ID des abzurufenden Modells. Das Modell mit der angegebenen ID wird zurückgegeben, sofern es vorhanden ist.
- tags
- list
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
- list
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
- 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
- str
Ein optionale ID, die zum Filtern zurückgegebener Ergebnisse verwendet wird.
- 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.
- name
- str
Der Name des abzurufenden Modells. Das neueste Modell mit dem angegebenen Namen wird zurückgegeben, sofern es vorhanden ist.
- id
- str
Die ID des abzurufenden Modells. Das Modell mit der angegebenen ID wird zurückgegeben, sofern es vorhanden ist.
- tags
- list
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
- list
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
- 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
- str
Ein optionale ID, die zum Filtern zurückgegebener Ergebnisse verwendet wird.
- 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.
- expand
- bool
Bei „True“ werden Modelle mit allen aufgefüllten Untereigenschaften zurückgegeben, z. B. „run“, „dataset“ und „experiment“.
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
- created_by
- dict
Der Benutzer, der das Modell erstellt hat.
- created_time
- datetime
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
- bool
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.
- resource_configuration
- ResourceConfiguration
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 |
| 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
Wenn
|
| 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
- datasets
- list[tuple(<xref:str :> (Dataset oder DatasetSnapshot))]
Eine Liste von Tupeln, die eine Kopplung des Zwecks des Datasets mit dem Dataset-Objekt darstellen.
Ausnahmen
add_properties
Hinzufügen von Schlüssel-Wert-Paaren zum Eigenschaftenwörterbuch dieses Modells.
add_properties(properties)Parameter
Ausnahmen
add_tags
Hinzufügen von Schlüssel-Wert-Paaren zum Tag-Wörterbuch dieses Modells.
add_tags(tags)Parameter
Ausnahmen
delete
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
- workspace
- Workspace
Ein Arbeitsbereichsobjekt, dem der Webdienst zugeordnet werden soll.
- name
- 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.
- inference_config
- InferenceConfig
Ein InferenceConfig-Objekt, das zum Bestimmen der erforderlichen Modelleigenschaften verwendet wird.
- deployment_config
- WebserviceDeploymentConfiguration
Eine WebserviceDeploymentConfiguration, die zum Konfigurieren des Webdiensts verwendet wird. Wenn keine Konfiguration angegeben wird, wird basierend auf dem gewünschten Ziel ein leeres Konfigurationsobjekt verwendet.
- deployment_target
- ComputeTarget
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.
- overwrite
- bool
Gibt an, ob der vorhandene Dienst überschrieben werden soll, wenn bereits ein Dienst mit dem angegebenen Namen vorhanden ist.
- show_output
- bool
Gibt an, ob der Status der Dienstbereitstellung angezeigt werden soll.
Gibt zurück
Ein Webservice-Objekt, das dem bereitgestellten Webdienst entspricht.
Rückgabetyp
Ausnahmen
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
Gibt zurück
Die Modelldarstellung des bereitgestellten JSON-Objekts.
Rückgabetyp
Ausnahmen
download
Herunterladen des Modells in das Zielverzeichnis des lokalen Dateisystems.
download(target_dir='.', exist_ok=False, exists_ok=None)Parameter
- target_dir
- str
Der Pfad zu einem Verzeichnis, in das das Modell heruntergeladen werden soll. Der Standardwert lautet „.“.
- exist_ok
- bool
Gibt an, ob heruntergeladene Verzeichnisse/Dateien ersetzt werden sollen, sofern sie vorhanden sind. Der Standardwert lautet „False“.
Gibt zurück
Der Pfad zur Datei oder zum Ordner des Modells.
Rückgabetyp
Ausnahmen
get_model_path
Dient zum Zurückgeben des Pfads zum Modell.
Die Funktion sucht an den folgenden Stellen nach dem Modell.
Wenn version „None“ ist:
- Herunterladen von Remote in den Cache (wenn der Arbeitsbereich angegeben ist)
- Laden aus dem Cache azureml-models/$MODEL_NAME/$LATEST_VERSION/
- ./$MODEL_NAME
Wenn version nicht „None“ ist:
- Laden aus dem Cache azureml-models/$MODEL_NAME/$SPECIFIED_VERSION/
- Herunterladen von Remote in den Cache (wenn der Arbeitsbereich angegeben ist)
static get_model_path(model_name, version=None, _workspace=None)Parameter
- version
- int
Die Version des abzurufenden Modells. Standardmäßig wird die neueste Version verwendet.
- _workspace
- Workspace
Der Arbeitsbereich, aus dem ein Modell abgerufen werden soll. Kann nicht remote verwendet werden. Wenn nicht angegeben, wird nur der lokale Cache durchsucht.
Gibt zurück
Der Pfad zum Modell auf dem Datenträger.
Rückgabetyp
Ausnahmen
get_sas_urls
Gibt ein Wörterbuch mit Schlüssel-Wert-Paaren zurück, die Dateinamen und entsprechende SAS-URLs enthalten.
get_sas_urls()Gibt zurück
Ein Wörterbuch mit Schlüssel-Wert-Paaren, das Dateinamen und entsprechende SAS-URLs enthält.
Rückgabetyp
Ausnahmen
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
- str
Wenn angegeben, werden nur Modelle mit diesem Namen zurückgegeben (sofern vorhanden).
- tags
- list
Filtert basierend auf der bereitgestellten Liste entweder nach „key“ oder nach „[key, value]“. Ex. ['Schlüssel', ['Schlüssel2', 'Wert von Schlüssel2']]
- properties
- list
Filtert basierend auf der bereitgestellten Liste entweder nach „Schlüssel“ oder nach „[Schlüssel, Wert]“. Ex. ['key', ['key2', 'key2 value']]
- latest
- bool
Bei „True“ werden nur Modelle mit der neuesten Version zurückgegeben.
- expand
- bool
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.
- page_count
- int
Die Anzahl von Elementen, die auf einer Seite abgerufen werden sollen. Derzeit werden Werte bis 255 unterstützt. Der Standardwert ist 255.
- model_framework
- str
Wenn angegeben, werden nur Modelle mit diesem Framework zurückgegeben (sofern vorhanden).
Gibt zurück
Eine Liste von Modellen (optional gefiltert).
Rückgabetyp
Ausnahmen
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
Eine Liste von Model-Objekten, die in das Paket aufgenommen werden sollen. Die Liste kann leer sein.
- inference_config
- InferenceConfig
Ein InferenceConfig-Objekt zum Konfigurieren der Funktionsweise der Modelle. Dies muss ein Environment-Objekt enthalten.
- generate_dockerfile
- bool
Gibt an, ob eine Dockerfile-Datei erstellt werden soll, die lokal ausgeführt werden kann, anstatt ein Image zu erstellen.
- image_label
- str
Beim Erstellen eines Images die Bezeichnung für das resultierende Image.
Gibt zurück
Ein ModelPackage-Objekt.
Rückgabetyp
Ausnahmen
print_configuration
Ausgeben der Benutzerkonfiguration.
static print_configuration(models, inference_config, deployment_config, deployment_target)Parameter
- inference_config
- InferenceConfig
Ein InferenceConfig-Objekt, das zum Bestimmen der erforderlichen Modelleigenschaften verwendet wird.
- deployment_config
- WebserviceDeploymentConfiguration
Eine Webdienst-Bereitstellungskonfiguration (WebserviceDeploymentConfiguration), die zum Konfigurieren des Webdiensts verwendet wird.
- deployment_target
- ComputeTarget
Ein ComputeTarget, an dem der Webdienst bereitgestellt werden soll.
Ausnahmen
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
- workspace
- Workspace
Ein Workspace-Objekt, in dem ein Profil für das Modell erstellt werden soll.
- inference_config
- InferenceConfig
Ein InferenceConfig-Objekt, das zum Bestimmen der erforderlichen Modelleigenschaften verwendet wird.
- input_dataset
- Dataset
Das Eingabedataset für die Profilerstellung. Das Eingabedataset sollte eine einzelne Spalte enthalten, und Beispieleingaben sollten im Zeichenfolgenformat vorliegen.
- cpu
- float
Die Anzahl von CPU-Kernen, die auf der größten Testinstanz verwendet werden sollen. Derzeit werden Werte bis 3,5 unterstützt.
- memory_in_gb
- float
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.
- description
- str
Eine Beschreibung, die der Profilerstellungsausführung zugeordnet werden soll.
Rückgabetyp
Ausnahmen
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
- model_path
- 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.
- tags
- dict(<xref:{str : str}>)
Ein optionales Wörterbuch mit Schlüssel-Wert-Tags, die dem Modell zugewiesen werden sollen.
- 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.
- datasets
- list[(str, AbstractDataset)]
Eine Liste von Tupeln, wobei das erste Element die Beziehung zwischen Dataset und Modell beschreibt und das zweite Element das Dataset ist.
- 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.
Wenn es in Verbindung mit einem model_path zu einem Ordner angegeben wird, werden nur die angegebenen Dateien im Model-Objekt gebündelt.
- sample_input_dataset
- AbstractDataset
Das Beispieleingabedataset für das registrierte Modell.
- sample_output_dataset
- AbstractDataset
Das Beispielausgabedataset für das registrierte Modell.
- resource_configuration
- ResourceConfiguration
Eine Ressourcenkonfiguration zum Ausführen des registrierten Modells.
Gibt zurück
Das registrierte Model-Objekt.
Rückgabetyp
Ausnahmen
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
Ausnahmen
serialize
Konvertieren dieses Modells in ein serialisiertes JSON-Wörterbuch.
serialize()Gibt zurück
Die JSON-Darstellung dieses Modells.
Rückgabetyp
Ausnahmen
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
- tags
- dict(<xref:{str : str}>)
Ein Wörterbuch mit Tags, mit denen das Modell aktualisiert werden soll. Diese Tags ersetzen vorhandene Tags für das Modell.
- description
- str
Die neue Beschreibung, die für das Modell verwendet werden soll. Dieser Name ersetzt den vorhandenen Namen.
- sample_input_dataset
- AbstractDataset
Das Beispieleingabedataset, das für das registrierte Modell verwendet werden soll. Dieses Beispieleingabedataset ersetzt das vorhandene Dataset.
- sample_output_dataset
- AbstractDataset
Das Beispielausgabedataset, das für das registrierte Modell verwendet werden soll. Dieses Beispielausgabedataset ersetzt das vorhandene Dataset.
- resource_configuration
- ResourceConfiguration
Die Ressourcenkonfiguration, die zum Ausführen des registrierten Modells verwendet werden soll.
Ausnahmen
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
- add_properties
- dict(<xref:{str : str}>)
Ein Wörterbuch mit hinzuzufügenden Eigenschaften.
Ausnahmen
Feedback
Bald verfügbar: Im Laufe des Jahres 2024 werden wir GitHub-Issues stufenweise als Feedbackmechanismus für Inhalte abbauen und durch ein neues Feedbacksystem ersetzen. Weitere Informationen finden Sie unter https://aka.ms/ContentUserFeedback.
Feedback senden und anzeigen für