Delen via

Model Klas

Vertegenwoordigt het resultaat van machine learning-training.

Een model is het resultaat van een Azure Machine Learning-training Run of een ander modeltrainingsproces buiten Azure. Ongeacht hoe het model wordt geproduceerd, kan het worden geregistreerd in een werkruimte, waar het wordt vertegenwoordigd door een naam en een versie. Met de modelklasse kunt u modellen verpakken voor gebruik met Docker en deze implementeren als een realtime-eindpunt dat kan worden gebruikt voor deductieaanvragen.

Zie Afbeeldingsclassificatiemodel trainen met MNIST-gegevens en scikit-learn met behulp van Azure Machine Learning voor een end-to-end-zelfstudie waarin wordt getoond hoe modellen worden gemaakt, beheerd en gebruikt.

Modelconstructor.

De modelconstructor wordt gebruikt om een cloudweergave op te halen van een modelobject dat is gekoppeld aan de opgegeven werkruimte. Moet een naam of id opgeven.

Constructor

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

Parameters

Name Description
workspace
Vereist
Workspace

Het werkruimteobject met het model dat moet worden opgehaald.
name
str

De naam van het model dat moet worden opgehaald. Het meest recente model met de opgegeven naam wordt geretourneerd als het bestaat.

Default value: None
id
str

De id van het model dat moet worden opgehaald. Het model met de opgegeven id wordt geretourneerd, indien aanwezig.

Default value: None
tags
list

Een optionele lijst met tags die worden gebruikt om geretourneerde resultaten te filteren. Resultaten worden gefilterd op basis van de opgegeven lijst, door te zoeken op 'sleutel' of '[sleutel, waarde]'. Bijvoorbeeld: ['key', ['key2', 'key2 value']]

Default value: None
properties
list

Een optionele lijst met eigenschappen die worden gebruikt om geretourneerde resultaten te filteren. Resultaten worden gefilterd op basis van de opgegeven lijst, door te zoeken op 'sleutel' of '[sleutel, waarde]'. Bijvoorbeeld: ['key', ['key2', 'key2 value']]

Default value: None
version
int

De modelversie die moet worden geretourneerd. Wanneer u deze samen met de name parameter opgeeft, wordt de specifieke versie van het opgegeven benoemde model geretourneerd, indien aanwezig. Als version u dit weglaat, wordt de laatste versie van het model geretourneerd.

Default value: None
run_id
str

Optionele id die wordt gebruikt om geretourneerde resultaten te filteren.

Default value: None
model_framework
str

Optionele frameworknaam die wordt gebruikt om geretourneerde resultaten te filteren. Indien opgegeven, worden de resultaten geretourneerd voor de modellen die overeenkomen met het opgegeven framework. Zie Framework voor toegestane waarden.

Default value: None
workspace
Vereist
Workspace

Het werkruimteobject met het model dat moet worden opgehaald.
name
Vereist
str

De naam van het model dat moet worden opgehaald. Het meest recente model met de opgegeven naam wordt geretourneerd als het bestaat.
id
Vereist
str

De id van het model dat moet worden opgehaald. Het model met de opgegeven id wordt geretourneerd, indien aanwezig.
tags
Vereist
list

Een optionele lijst met tags die worden gebruikt om geretourneerde resultaten te filteren. Resultaten worden gefilterd op basis van de opgegeven lijst, door te zoeken op 'sleutel' of '[sleutel, waarde]'. Bijvoorbeeld: ['key', ['key2', 'key2 value']]
properties
Vereist
list

Een optionele lijst met eigenschappen die worden gebruikt om geretourneerde resultaten te filteren. Resultaten worden gefilterd op basis van de opgegeven lijst, door te zoeken op 'sleutel' of '[sleutel, waarde]'. Bijvoorbeeld: ['key', ['key2', 'key2 value']]
version
Vereist
int

De modelversie die moet worden geretourneerd. Wanneer u deze samen met de name parameter opgeeft, wordt de specifieke versie van het opgegeven benoemde model geretourneerd, indien aanwezig. Als version u dit weglaat, wordt de laatste versie van het model geretourneerd.
run_id
Vereist
str

Optionele id die wordt gebruikt om geretourneerde resultaten te filteren.
model_framework
Vereist
str

Optionele frameworknaam die wordt gebruikt om geretourneerde resultaten te filteren. Indien opgegeven, worden de resultaten geretourneerd voor de modellen die overeenkomen met het opgegeven framework. Zie Framework voor toegestane waarden.
expand
bool

Indien waar, retourneert u modellen met alle subproperties ingevuld, bijvoorbeeld uitvoeren, gegevensset en experiment.

Default value: True

Opmerkingen

De modelconstructor wordt gebruikt om een cloudweergave op te halen van een modelobject dat is gekoppeld aan de opgegeven werkruimte. Ten minste de naam of id moet worden opgegeven om modellen op te halen, maar er zijn ook andere opties voor het filteren op tags, eigenschappen, versie, run ID en framework.


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

In het volgende voorbeeld ziet u hoe u een specifieke versie van een model ophaalt.


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

Als u een model registreert, wordt een logische container gemaakt voor de een of meer bestanden waaruit uw model bestaat. Naast de inhoud van het modelbestand zelf slaat een geregistreerd model ook metagegevens van modellen op, waaronder modelbeschrijving, tags en frameworkinformatie, die handig is bij het beheren en implementeren van het model in uw werkruimte. Met tags kunt u bijvoorbeeld uw modellen categoriseren en filters toepassen bij het weergeven van modellen in uw werkruimte. Na de registratie kunt u het geregistreerde model downloaden of implementeren en alle bestanden en metagegevens ontvangen die zijn geregistreerd.

In het volgende voorbeeld ziet u hoe u een model registreert waarin tags en een beschrijving worden opgegeven.


   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)

In het volgende voorbeeld ziet u hoe u een model registreert dat framework, invoer- en uitvoergegevenssets en resourceconfiguratie aangeeft.


   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)

De sectie Variabelen bevat kenmerken van een lokale weergave van het cloudmodelobject. Deze variabelen moeten als alleen-lezen worden beschouwd. Het wijzigen van de waarden wordt niet weergegeven in het bijbehorende cloudobject.

Variabelen

Name Description
created_by
dict

De gebruiker die het model heeft gemaakt.
created_time
datetime

Toen het model werd gemaakt.
azureml.core.Model.description

Een beschrijving van het modelobject.
azureml.core.Model.id

De model-id. Dit heeft de vorm van <modelnaam>:< modelversie>.
mime_type
str

Het mime-modeltype.
azureml.core.Model.name

De naam van het model.
model_framework
str

Het framework van het model.
model_framework_version
str

De frameworkversie van het model.
azureml.core.Model.tags

Een woordenlijst met tags voor het modelobject.
azureml.core.Model.properties

Woordenlijst met sleutelwaarde-eigenschappen voor het model. Deze eigenschappen kunnen niet worden gewijzigd na de registratie, maar er kunnen nieuwe sleutelwaardeparen worden toegevoegd.
unpack
bool

Of het model al dan niet moet worden uitgepakt (niet-doel) wanneer het wordt opgehaald naar een lokale context.
url
str

De URL-locatie van het model.
azureml.core.Model.version

De versie van het model.
azureml.core.Model.workspace

De werkruimte met het model.
azureml.core.Model.experiment_name

De naam van het experiment dat het model heeft gemaakt.
azureml.core.Model.run_id

De id van de uitvoering die het model heeft gemaakt.
parent_id
str

De id van het bovenliggende model van het model.
derived_model_ids
list[str]

Een lijst met model-id's die zijn afgeleid van dit model.
resource_configuration
ResourceConfiguration

De ResourceConfiguration voor dit model. Wordt gebruikt voor profilering.

Methoden

add_dataset_references

Koppel de opgegeven gegevenssets aan dit model.
add_properties

Voeg sleutel-waardeparen toe aan de eigenschappenwoordenlijst van dit model.
add_tags

Voeg sleutel-waardeparen toe aan de tagswoordenlijst van dit model.
delete

Verwijder dit model uit de bijbehorende werkruimte.
deploy

Implementeer een webservice van nul of meer Model objecten.

De resulterende webservice is een realtime-eindpunt dat kan worden gebruikt voor deductieaanvragen. De functie Model deploy is vergelijkbaar met de deploy functie van de Webservice klasse, maar registreert de modellen niet. Gebruik de functie Model deploy als u modelobjecten hebt die al zijn geregistreerd.
deserialize

Converteer een JSON-object naar een modelobject.

De conversie mislukt als de opgegeven werkruimte niet de werkruimte is waarmee het model is geregistreerd.
download

Download het model naar de doelmap van het lokale bestandssysteem.
get_model_path

Retourneer het pad naar het model.

De functie zoekt op de volgende locaties naar het model.

Als version dit geen is:

  1. Downloaden van extern naar cache (als er werkruimte is opgegeven)
  2. Laden vanuit cache azureml-models/$MODEL_NAME/$LATEST_VERSION/
  3. ./$MODEL_NAME

Als version dit geen is, gaat u als volgt te werk:

  1. Laden vanuit cache azureml-models/$MODEL_NAME/$SPECIFIED_VERSION/
  2. Downloaden van extern naar cache (als er werkruimte is opgegeven)
get_sas_urls

Retourneert een woordenlijst van sleutel-waardeparen die bestandsnamen en bijbehorende SAS-URL's bevatten.
list

Haal een lijst op met alle modellen die zijn gekoppeld aan de opgegeven werkruimte, met optionele filters.
package

Maak een modelpakket in de vorm van een Docker-installatiekopieën of Dockerfile-buildcontext.
print_configuration

De gebruikersconfiguratie afdrukken.
profile

Hiermee wordt het model geprofielen om aanbevelingen voor resourcevereisten op te halen.

Dit is een langdurige bewerking die maximaal 25 minuten kan duren, afhankelijk van de grootte van de gegevensset.
register

Registreer een model bij de opgegeven werkruimte.
remove_tags

Verwijder de opgegeven sleutels uit de tagswoordenlijst van dit model.
serialize

Converteer dit model naar een geserialiseerde json-woordenlijst.
update

Voer een in-place update van het model uit.

Bestaande waarden van opgegeven parameters worden vervangen.
update_tags_properties

Voer een update uit van de tags en eigenschappen van het model.

add_dataset_references

Koppel de opgegeven gegevenssets aan dit model.

add_dataset_references(datasets)

Parameters

Name Description
datasets
Vereist
list[tuple(<xref:str :> (Dataset of DatasetSnapshot))]

Een lijst met tuples die een koppeling van het doel van de gegevensset aan het gegevenssetobject vertegenwoordigen.

Uitzonderingen

Type Description
WebserviceException

add_properties

Voeg sleutel-waardeparen toe aan de eigenschappenwoordenlijst van dit model.

add_properties(properties)

Parameters

Name Description
properties
Vereist
dict(<xref:str : str>)

De woordenlijst met eigenschappen die u wilt toevoegen.

add_tags

Voeg sleutel-waardeparen toe aan de tagswoordenlijst van dit model.

add_tags(tags)

Parameters

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

De woordenlijst met tags die u wilt toevoegen.

Uitzonderingen

Type Description
WebserviceException

delete

Verwijder dit model uit de bijbehorende werkruimte.

delete()

Uitzonderingen

Type Description
WebserviceException

deploy

Implementeer een webservice van nul of meer Model objecten.

De resulterende webservice is een realtime-eindpunt dat kan worden gebruikt voor deductieaanvragen. De functie Model deploy is vergelijkbaar met de deploy functie van de Webservice klasse, maar registreert de modellen niet. Gebruik de functie Model deploy als u modelobjecten hebt die al zijn geregistreerd.

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

Parameters

Name Description
workspace
Vereist
Workspace

Een werkruimteobject waaraan de webservice moet worden gekoppeld.
name
Vereist
str

De naam die de geïmplementeerde service moet geven. Moet uniek zijn voor de werkruimte, alleen bestaan uit kleine letters, cijfers of streepjes, beginnen met een letter en tussen de 3 en 32 tekens lang zijn.
models
Vereist
list[Model]

Een lijst met modelobjecten. Kan een lege lijst zijn.
inference_config
InferenceConfig

Een InferenceConfig-object dat wordt gebruikt om de vereiste modeleigenschappen te bepalen.

Default value: None
deployment_config
WebserviceDeploymentConfiguration

Een WebserviceDeploymentConfiguration die wordt gebruikt om de webservice te configureren. Als er geen configuratieobject wordt opgegeven, wordt er een leeg configuratieobject gebruikt op basis van het gewenste doel.

Default value: None
deployment_target
ComputeTarget

Een ComputeTarget voor het implementeren van de webservice. Aangezien Azure Container Instances geen gekoppelde ComputeTargetparameter heeft, laat u deze parameter staan als Geen om te implementeren in Azure Container Instances.

Default value: None
overwrite
bool

Hiermee wordt aangegeven of de bestaande service moet worden overschreven als er al een service met de opgegeven naam bestaat.

Default value: False
show_output
bool

Geeft aan of de voortgang van de service-implementatie moet worden weergegeven.

Default value: False

Retouren

Type Description
Webservice

Een webserviceobject dat overeenkomt met de geïmplementeerde webservice.

Uitzonderingen

Type Description
WebserviceException

deserialize

Converteer een JSON-object naar een modelobject.

De conversie mislukt als de opgegeven werkruimte niet de werkruimte is waarmee het model is geregistreerd.

static deserialize(workspace, model_payload)

Parameters

Name Description
workspace
Vereist
Workspace

Het werkruimteobject waarmee het model is geregistreerd.
model_payload
Vereist
dict

Een JSON-object dat moet worden geconverteerd naar een modelobject.

Retouren

Type Description
Model

De modelweergave van het opgegeven JSON-object.

download

Download het model naar de doelmap van het lokale bestandssysteem.

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

Parameters

Name Description
target_dir
str

Het pad naar een map waarin het model moet worden gedownload. Wordt standaard ingesteld op '.'

Default value: .
exist_ok
bool

Geeft aan of gedownloade dir/bestanden moeten worden vervangen als deze bestaan. De standaardwaarde is False.

Default value: False
exists_ok
bool

VEROUDERD. Gebruik exist_ok.

Default value: None

Retouren

Type Description
str

Het pad naar het bestand of de map van het model.

get_model_path

Retourneer het pad naar het model.

De functie zoekt op de volgende locaties naar het model.

Als version dit geen is:

  1. Downloaden van extern naar cache (als er werkruimte is opgegeven)
  2. Laden vanuit cache azureml-models/$MODEL_NAME/$LATEST_VERSION/
  3. ./$MODEL_NAME

Als version dit geen is, gaat u als volgt te werk:

  1. Laden vanuit cache azureml-models/$MODEL_NAME/$SPECIFIED_VERSION/
  2. Downloaden van extern naar cache (als er werkruimte is opgegeven)
static get_model_path(model_name, version=None, _workspace=None)

Parameters

Name Description
model_name
Vereist
str

De naam van het model dat moet worden opgehaald.
version
int

De versie van het model die moet worden opgehaald. De standaardinstelling is de nieuwste versie.

Default value: None
_workspace
Workspace

De werkruimte waaruit een model moet worden opgehaald. Kan niet op afstand gebruiken. Als niet alleen lokale cache is opgegeven, wordt doorzocht.

Default value: None

Retouren

Type Description
str

Het pad op schijf naar het model.

Uitzonderingen

Type Description
ModelNotFoundException

get_sas_urls

Retourneert een woordenlijst van sleutel-waardeparen die bestandsnamen en bijbehorende SAS-URL's bevatten.

get_sas_urls()

Retouren

Type Description
dict

Woordenlijst van sleutel-waardeparen met bestandsnamen en bijbehorende SAS-URL's

list

Haal een lijst op met alle modellen die zijn gekoppeld aan de opgegeven werkruimte, met optionele filters.

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)

Parameters

Name Description
workspace
Vereist
Workspace

Het werkruimteobject waaruit modellen moeten worden opgehaald.
name
str

Indien opgegeven, retourneert u alleen modellen met de opgegeven naam, indien van toepassing.

Default value: None
tags
list

Filtert op basis van de opgegeven lijst op basis van 'sleutel' of '[sleutel, waarde]'. Bijvoorbeeld: ['key', ['key2', 'key2 value']]

Default value: None
properties
list

Filtert op basis van de opgegeven lijst op basis van 'sleutel' of '[sleutel, waarde]'. Bijvoorbeeld: ['key', ['key2', 'key2 value']]

Default value: None
run_id
str

Filtert op basis van de opgegeven uitvoerings-id.

Default value: None
latest
bool

Als dit het geval is, worden alleen modellen geretourneerd met de nieuwste versie.

Default value: False
dataset_id
str

Filtert op basis van de opgegeven gegevensset-id.

Default value: None
expand
bool

Indien waar, retourneert u modellen met alle subproperties ingevuld, bijvoorbeeld uitvoeren, gegevensset en experiment. Als u dit instelt op false, moet de voltooiing van de methode list() worden versneld in het geval van veel modellen.

Default value: True
page_count
int

Het aantal items dat moet worden opgehaald op een pagina. Ondersteunt momenteel maximaal 255 waarden. De standaardwaarde is 255.

Default value: 255
model_framework
str

Indien opgegeven, worden alleen modellen geretourneerd met het opgegeven framework, indien van toepassing.

Default value: None

Retouren

Type Description
list[Model]

Een lijst met modellen, optioneel gefilterd.

Uitzonderingen

Type Description
WebserviceException

package

Maak een modelpakket in de vorm van een Docker-installatiekopieën of Dockerfile-buildcontext.

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

Parameters

Name Description
workspace
Vereist
Workspace

De werkruimte waarin het pakket moet worden gemaakt.
models
Vereist
list[Model]

Een lijst met modelobjecten die in het pakket moeten worden opgenomen. Kan een lege lijst zijn.
inference_config
InferenceConfig

Een InferenceConfig-object om de werking van de modellen te configureren. Dit moet een omgevingsobject bevatten.

Default value: None
generate_dockerfile
bool

Of u een Dockerfile wilt maken die lokaal kan worden uitgevoerd in plaats van een installatiekopieën te bouwen.

Default value: False
image_name
str

Bij het bouwen van een afbeelding, de naam voor de resulterende afbeelding.

Default value: None
image_label
str

Wanneer u een afbeelding maakt, wordt het label voor de resulterende afbeelding weergegeven.

Default value: None

Retouren

Type Description
ModelPackage

Een ModelPackage-object.

print_configuration

De gebruikersconfiguratie afdrukken.

static print_configuration(models, inference_config, deployment_config, deployment_target)

Parameters

Name Description
models
Vereist
list[Model]

Een lijst met modelobjecten. Kan een lege lijst zijn.
inference_config
Vereist
InferenceConfig

Een InferenceConfig-object dat wordt gebruikt om de vereiste modeleigenschappen te bepalen.
deployment_config
Vereist
WebserviceDeploymentConfiguration

Een WebserviceDeploymentConfiguration die wordt gebruikt om de webservice te configureren.
deployment_target
Vereist
ComputeTarget

Een ComputeTarget voor het implementeren van de webservice.

profile

Hiermee wordt het model geprofielen om aanbevelingen voor resourcevereisten op te halen.

Dit is een langdurige bewerking die maximaal 25 minuten kan duren, afhankelijk van de grootte van de gegevensset.

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

Parameters

Name Description
workspace
Vereist
Workspace

Een werkruimteobject waarin het model moet worden geprofilleerd.
profile_name
Vereist
str

De naam van de profileringsuitvoering.
models
Vereist
list[Model]

Een lijst met modelobjecten. Kan een lege lijst zijn.
inference_config
Vereist
InferenceConfig

Een InferenceConfig-object dat wordt gebruikt om de vereiste modeleigenschappen te bepalen.
input_dataset
Vereist
Dataset

De invoergegevensset voor profilering. Invoergegevensset moet één kolom hebben en voorbeeldinvoer moet de tekenreeksindeling hebben.
cpu
float

Het aantal CPU-kernen dat moet worden gebruikt voor het grootste testexemplaren. Ondersteunt momenteel waarden tot 3,5.

Default value: None
memory_in_gb
float

De hoeveelheid geheugen (in GB) die moet worden gebruikt voor het grootste testexemplaren. Kan een decimaal getal zijn. Ondersteunt momenteel waarden tot 15.0.

Default value: None
description
str

Beschrijving die moet worden gekoppeld aan de profileringsuitvoering.

Default value: None

Retouren

Type Description
ModelProfile

Uitzonderingen

Type Description
<xref:azureml.exceptions.WebserviceException>, <xref:azureml.exceptions.UserErrorException>

register

Registreer een model bij de opgegeven werkruimte.

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)

Parameters

Name Description
workspace
Vereist
Workspace

De werkruimte waarmee het model wordt geregistreerd.
model_path
Vereist
str

Het pad op het lokale bestandssysteem waar de modelassets zich bevinden. Dit kan een directe aanwijzer naar één bestand of map zijn. Als u naar een map verwijst, kan de child_paths parameter worden gebruikt om afzonderlijke bestanden op te geven die moeten worden gebundeld als het modelobject, in plaats van de volledige inhoud van de map te gebruiken.
model_name
Vereist
str

De naam waarmee het model moet worden geregistreerd.
tags
dict(<xref:{str : str}>)

Een optionele woordenlijst met sleutelwaardetags die aan het model moeten worden toegewezen.

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

Een optionele woordenlijst met sleutelwaarde-eigenschappen die aan het model moeten worden toegewezen. Deze eigenschappen kunnen niet worden gewijzigd nadat het model is gemaakt, maar er kunnen nieuwe sleutelwaardeparen worden toegevoegd.

Default value: None
description
str

Een tekstbeschrijving van het model.

Default value: None
datasets
list[(str, AbstractDataset)]

Een lijst met tuples waarin het eerste element de relatie van het gegevenssetmodel beschrijft en het tweede element de gegevensset is.

Default value: None
model_framework
str

Het framework van het geregistreerde model. Door de door het systeem ondersteunde constanten van de Framework klasse te gebruiken, is vereenvoudigde implementatie mogelijk voor een aantal populaire frameworks.

Default value: None
model_framework_version
str

De frameworkversie van het geregistreerde model.

Default value: None
child_paths
list[str]

Als deze is opgegeven in combinatie met een model_path map, worden alleen de opgegeven bestanden gebundeld in het modelobject.

Default value: None
sample_input_dataset
AbstractDataset

Voorbeeld van invoergegevensset voor het geregistreerde model.

Default value: None
sample_output_dataset
AbstractDataset

Voorbeeld van uitvoergegevensset voor het geregistreerde model.

Default value: None
resource_configuration
ResourceConfiguration

Een resourceconfiguratie voor het uitvoeren van het geregistreerde model.

Default value: None

Retouren

Type Description
Model

Het geregistreerde modelobject.

Opmerkingen

Naast de inhoud van het modelbestand zelf slaat een geregistreerd model ook metagegevens van modellen op, waaronder modelbeschrijving, tags en frameworkinformatie, die handig is bij het beheren en implementeren van het model in uw werkruimte. Met tags kunt u bijvoorbeeld uw modellen categoriseren en filters toepassen bij het weergeven van modellen in uw werkruimte.

In het volgende voorbeeld ziet u hoe u een model registreert waarin tags en een beschrijving worden opgegeven.


   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)

Als u een model hebt dat is geproduceerd als gevolg van een experimentuitvoering, kunt u het rechtstreeks vanuit een run-object registreren zonder het eerst naar een lokaal bestand te downloaden. Hiervoor wordt de register_model methode gebruikt zoals beschreven in de Run klasse.

remove_tags

Verwijder de opgegeven sleutels uit de tagswoordenlijst van dit model.

remove_tags(tags)

Parameters

Name Description
tags
Vereist
list[str]

De lijst met sleutels die u wilt verwijderen

serialize

Converteer dit model naar een geserialiseerde json-woordenlijst.

serialize()

Retouren

Type Description
dict

De json-weergave van dit model

update

Voer een in-place update van het model uit.

Bestaande waarden van opgegeven parameters worden vervangen.

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

Parameters

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

Een woordenlijst met tags waarmee het model kan worden bijgewerkt. Deze tags vervangen bestaande tags voor het model.

Default value: None
description
str

De nieuwe beschrijving die moet worden gebruikt voor het model. Deze naam vervangt de bestaande naam.

Default value: None
sample_input_dataset
AbstractDataset

De voorbeeldgegevensset voor invoer die moet worden gebruikt voor het geregistreerde model. Deze voorbeeldgegevensset voor invoer vervangt de bestaande gegevensset.

Default value: None
sample_output_dataset
AbstractDataset

De voorbeelduitvoergegevensset die moet worden gebruikt voor het geregistreerde model. Deze voorbeelduitvoergegevensset vervangt de bestaande gegevensset.

Default value: None
resource_configuration
ResourceConfiguration

De resourceconfiguratie die moet worden gebruikt om het geregistreerde model uit te voeren.

Default value: None

Uitzonderingen

Type Description
WebserviceException

update_tags_properties

Voer een update uit van de tags en eigenschappen van het model.

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

Parameters

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

Een woordenlijst met tags die moeten worden toegevoegd.

Default value: None
remove_tags
list[str]

Een lijst met tagnamen die u wilt verwijderen.

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

Een woordenlijst met eigenschappen die u wilt toevoegen.

Default value: None

Uitzonderingen

Type Description
WebserviceException