Model Klasse

Referenz

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	Workspace 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	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']] Standardwert: None
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']] 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	Workspace 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	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 Erforderlich	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 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	bool 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	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.
derived_model_ids	list[str] Eine Liste der Modell-IDs, die von diesem Modell abgeleitet wurden.
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 `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: 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)
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
WebserviceException

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
WebserviceException

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
WebserviceException

delete

Löschen dieses Modells 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 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	Workspace 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	list[Model] Eine Liste mit Modellobjekten. Die Liste kann leer sein.
inference_config	InferenceConfig Ein InferenceConfig-Objekt, das zum Bestimmen der erforderlichen Modelleigenschaften verwendet wird. Standardwert: None
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. Standardwert: None
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. 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 Status 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 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	Workspace Das Workspace-Objekt, 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.

Ausnahmen

Typ	Beschreibung
WebserviceException

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	bool Gibt an, ob heruntergeladene Verzeichnisse/Dateien ersetzt werden sollen, sofern sie vorhanden sind. Der Standardwert lautet „False“. Standardwert: False
exists_ok	bool VERALTET. Verwenden Sie `exist_ok`. Standardwert: None

Gibt zurück

Typ	Beschreibung
str	Der Pfad zur Datei oder zum Ordner des Modells.

Ausnahmen

Typ	Beschreibung
WebserviceException

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

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. 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
ModelNotFoundException

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

Ausnahmen

Typ	Beschreibung
WebserviceException

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	Workspace 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	list Filtert basierend auf der bereitgestellten Liste entweder nach „key“ oder nach „[key, value]“. Ex. ['Schlüssel', ['Schlüssel2', 'Wert von Schlüssel2']] Standardwert: None
properties	list 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	bool 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	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. 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
list[Model]	Eine Liste von Modellen (optional gefiltert).

Ausnahmen

Typ	Beschreibung
WebserviceException

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	Workspace Der Arbeitsbereich, in dem das Paket erstellt werden soll.
models Erforderlich	list[Model] 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. 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 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
ModelPackage	Ein ModelPackage-Objekt.

Ausnahmen

Typ	Beschreibung
WebserviceException

print_configuration

Ausgeben der Benutzerkonfiguration.

static print_configuration(models, inference_config, deployment_config, deployment_target)

Parameter

Name	Beschreibung
models Erforderlich	list[Model] Eine Liste mit Model-Objekten. Die Liste kann leer sein.
inference_config Erforderlich	InferenceConfig Ein InferenceConfig-Objekt, das zum Bestimmen der erforderlichen Modelleigenschaften verwendet wird.
deployment_config Erforderlich	WebserviceDeploymentConfiguration Eine Webdienst-Bereitstellungskonfiguration (WebserviceDeploymentConfiguration), die zum Konfigurieren des Webdiensts verwendet wird.
deployment_target Erforderlich	ComputeTarget Ein ComputeTarget, an dem der Webdienst bereitgestellt werden soll.

Ausnahmen

Typ	Beschreibung
WebserviceException

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	Workspace Ein Workspace-Objekt, in dem ein Profil für das Modell erstellt werden soll.
profile_name Erforderlich	str Der Name der Profilerstellungsausführung.
models Erforderlich	list[Model] Eine Liste mit Modellobjekten. Die Liste kann leer sein.
inference_config Erforderlich	InferenceConfig Ein InferenceConfig-Objekt, das zum Bestimmen der erforderlichen Modelleigenschaften verwendet wird.
input_dataset Erforderlich	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. Standardwert: None
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. Standardwert: None
description	str Eine 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 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	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 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	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. 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 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	AbstractDataset Das Beispieleingabedataset für das registrierte Modell. Standardwert: None
sample_output_dataset	AbstractDataset Das Beispielausgabedataset 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 Model-Objekt.

Ausnahmen

Typ	Beschreibung
WebserviceException

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	list[str] Die Liste der zu entfernenden Schlüssel.

Ausnahmen

Typ	Beschreibung
WebserviceException

serialize

Konvertieren dieses Modells in ein serialisiertes JSON-Wörterbuch.

serialize()

Gibt zurück

Typ	Beschreibung
dict	Die JSON-Darstellung dieses Modells.

Ausnahmen

Typ	Beschreibung
WebserviceException

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	AbstractDataset Das Beispieleingabedataset, das für das registrierte Modell verwendet werden soll. Dieses Beispieleingabedataset ersetzt das vorhandene Dataset. Standardwert: None
sample_output_dataset	AbstractDataset Das Beispielausgabedataset, das für das registrierte Modell verwendet werden soll. Dieses Beispielausgabedataset ersetzt das vorhandene Dataset. Standardwert: None
resource_configuration	ResourceConfiguration Die Ressourcenkonfiguration, die zum Ausführen des registrierten Modells verwendet werden soll. Standardwert: None

Ausnahmen

Typ	Beschreibung
WebserviceException

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	list[str] Eine Liste der zu entfernenden Tagnamen. Standardwert: None
add_properties	dict(<xref:{str : str}>) Ein Wörterbuch mit hinzuzufügenden Eigenschaften. Standardwert: None

Ausnahmen

Typ	Beschreibung
WebserviceException

Freigeben über

Model Klasse

Konstruktor

Parameter

Hinweise

Variablen

Methoden

add_dataset_references

Parameter

Ausnahmen

add_properties

Parameter

Ausnahmen

add_tags

Parameter

Ausnahmen

delete

Ausnahmen

deploy

Parameter

Gibt zurück

Ausnahmen

deserialize

Parameter

Gibt zurück

Ausnahmen

download

Parameter

Gibt zurück

Ausnahmen

get_model_path

Parameter

Gibt zurück

Ausnahmen

get_sas_urls

Gibt zurück

Ausnahmen

list

Parameter

Gibt zurück

Ausnahmen

package

Parameter

Gibt zurück

Ausnahmen

print_configuration

Parameter

Ausnahmen

profile

Parameter

Gibt zurück

Ausnahmen

register

Parameter

Gibt zurück

Ausnahmen

Hinweise

remove_tags

Parameter

Ausnahmen

serialize

Gibt zurück

Ausnahmen

update

Parameter

Ausnahmen

update_tags_properties

Parameter

Ausnahmen

Feedback

Zusätzliche Ressourcen