Model Klass

Referens

Representerar resultatet av maskininlärningsträning.

En modell är resultatet av en Azure Machine Learning-utbildning Run eller någon annan modellträningsprocess utanför Azure. Oavsett hur modellen skapas kan den registreras på en arbetsyta, där den representeras av ett namn och en version. Med klassen Modell kan du paketera modeller för användning med Docker och distribuera dem som en realtidsslutpunkt som kan användas för slutsatsdragningsbegäranden.

En självstudiekurs från slutpunkt till slutpunkt som visar hur modeller skapas, hanteras och används finns i Träna bildklassificeringsmodell med MNIST-data och scikit-learn med Azure Machine Learning.

Modellkonstruktor.

Modellkonstruktorn används för att hämta en molnrepresentation av ett modellobjekt som är associerat med den angivna arbetsytan. Måste ange antingen namn eller ID.

Arv: 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)

Parametrar

Name	Description
workspace Obligatorisk	Workspace Arbetsyteobjektet som innehåller modellen som ska hämtas.
name	str Namnet på den modell som ska hämtas. Den senaste modellen med det angivna namnet returneras, om den finns. Standardvärde: None
id	str ID:t för modellen som ska hämtas. Modellen med det angivna ID:t returneras om den finns. Standardvärde: None
tags	list En valfri lista över taggar som används för att filtrera returnerade resultat. Resultaten filtreras baserat på den angivna listan och söker efter antingen "nyckel" eller "[nyckel, värde]". t.ex. ['key', ['key2', 'key2 value']] Standardvärde: None
properties	list En valfri lista över egenskaper som används för att filtrera returnerade resultat. Resultaten filtreras baserat på den angivna listan och söker efter antingen "nyckel" eller "[nyckel, värde]". t.ex. ['key', ['key2', 'key2 value']] Standardvärde: None
version	int Modellversionen som ska returneras. När den tillhandahålls tillsammans med parametern `name` returneras den specifika versionen av den angivna namngivna modellen, om den finns. Om `version` utelämnas returneras den senaste versionen av modellen. Standardvärde: None
run_id	str Valfritt ID som används för att filtrera returnerade resultat. Standardvärde: None
model_framework	str Valfritt ramverksnamn som används för att filtrera returnerade resultat. Om det anges returneras resultat för de modeller som matchar det angivna ramverket. Se Framework för tillåtna värden. Standardvärde: None
workspace Obligatorisk	Workspace Arbetsyteobjektet som innehåller modellen som ska hämtas.
name Obligatorisk	str Namnet på den modell som ska hämtas. Den senaste modellen med det angivna namnet returneras, om den finns.
id Obligatorisk	str ID:t för modellen som ska hämtas. Modellen med det angivna ID:t returneras om den finns.
tags Obligatorisk	list En valfri lista över taggar som används för att filtrera returnerade resultat. Resultaten filtreras baserat på den angivna listan och söker efter antingen "nyckel" eller "[nyckel, värde]". t.ex. ['key', ['key2', 'key2 value']]
properties Obligatorisk	list En valfri lista över egenskaper som används för att filtrera returnerade resultat. Resultaten filtreras baserat på den angivna listan och söker efter antingen "nyckel" eller "[nyckel, värde]". t.ex. ['key', ['key2', 'key2 value']]
version Obligatorisk	int Modellversionen som ska returneras. När den tillhandahålls tillsammans med parametern `name` returneras den specifika versionen av den angivna namngivna modellen, om den finns. Om `version` utelämnas returneras den senaste versionen av modellen.
run_id Obligatorisk	str Valfritt ID som används för att filtrera returnerade resultat.
model_framework Obligatorisk	str Valfritt ramverksnamn som används för att filtrera returnerade resultat. Om det anges returneras resultat för de modeller som matchar det angivna ramverket. Se Framework för tillåtna värden.
expand	bool Om det är sant returneras modeller med alla underegenskaper ifyllda, t.ex. körning, datauppsättning och experiment. Standardvärde: True

Kommentarer

Modellkonstruktorn används för att hämta en molnrepresentation av ett modellobjekt som är associerat med den angivna arbetsytan. Åtminstone måste namnet eller ID:t anges för att hämta modeller, men det finns även andra alternativ för filtrering, inklusive efter taggar, egenskaper, version, körnings-ID och ramverk.


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

Följande exempel visar hur du hämtar en specifik version av en modell.


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

När du registrerar en modell skapas en logisk container för en eller flera filer som utgör din modell. Förutom innehållet i själva modellfilen lagrar en registrerad modell även modellmetadata, inklusive modellbeskrivning, taggar och ramverksinformation, som är användbart när du hanterar och distribuerar modellen på din arbetsyta. Med taggar kan du till exempel kategorisera dina modeller och använda filter när du listar modeller på din arbetsyta. Efter registreringen kan du ladda ned eller distribuera den registrerade modellen och ta emot alla filer och metadata som har registrerats.

Följande exempel visar hur du registrerar en modell som anger taggar och en beskrivning.


   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)

Fullständigt exempel är tillgängligt från https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/deployment/deploy-to-local/register-model-deploy-local-advanced.ipynb

Följande exempel visar hur du registrerar en modell som anger ramverk, indata- och utdatauppsättningar och resurskonfiguration.


   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)

Avsnittet Variabler visar attribut för en lokal representation av molnmodellobjektet. Dessa variabler bör betraktas som skrivskyddade. Att ändra deras värden återspeglas inte i motsvarande molnobjekt.

Variabler

Name	Description
created_by	dict Användaren som skapade modellen.
created_time	datetime När modellen skapades.
azureml.core.Model.description	En beskrivning av modellobjektet.
azureml.core.Model.id	Modell-ID. Detta sker i form av <modellnamn>:<modellversion>.
mime_type	str Mime-typ för modell.
azureml.core.Model.name	Namnet på modellen.
model_framework	str Ramverket för modellen.
model_framework_version	str Ramverksversionen av modellen.
azureml.core.Model.tags	En ordlista med taggar för modellobjektet.
azureml.core.Model.properties	Ordlista med nyckelvärdeegenskaper för modellen. Dessa egenskaper kan inte ändras efter registreringen, men nya nyckelvärdepar kan läggas till.
unpack	bool Om modellen måste packas upp (utan förbrukning) när den hämtas till en lokal kontext eller inte.
url	str Url-platsen för modellen.
azureml.core.Model.version	Modellens version.
azureml.core.Model.workspace	Arbetsytan som innehåller modellen.
azureml.core.Model.experiment_name	Namnet på experimentet som skapade modellen.
azureml.core.Model.run_id	ID:t för körningen som skapade modellen.
parent_id	str ID:t för modellens överordnade modell.
derived_model_ids	list[str] En lista över modell-ID:t som har härletts från den här modellen.
resource_configuration	ResourceConfiguration ResourceConfiguration för den här modellen. Används för profilering.

Metoder

add_dataset_references	Associera de angivna datauppsättningarna med den här modellen.
add_properties	Lägg till nyckel/värde-par i modellens egenskapsordlista.
add_tags	Lägg till nyckelvärdepar i taggarnas ordlista för den här modellen.
delete	Ta bort den här modellen från dess associerade arbetsyta.
deploy	Distribuera en webbtjänst från noll eller flera Model objekt. Den resulterande webbtjänsten är en realtidsslutpunkt som kan användas för slutsatsdragningsbegäranden. Modellfunktionen `deploy` liknar funktionen i `deploy`Webservice klassen, men registrerar inte modellerna. Använd funktionen Modell `deploy` om du har modellobjekt som redan är registrerade.
deserialize	Konvertera ett JSON-objekt till ett modellobjekt. Konverteringen misslyckas om den angivna arbetsytan inte är den arbetsyta som modellen är registrerad med.
download	Ladda ned modellen till målkatalogen för det lokala filsystemet.
get_model_path	Returnera sökvägen till modellen. Funktionen söker efter modellen på följande platser. Om `version` är Ingen: Ladda ned från fjärr till cache (om arbetsytan har angetts) Läs in från cache azureml-models/$MODEL_NAME/$LATEST_VERSION/ ./$MODEL_NAME Om `version` inte är Ingen: Läs in från cache azureml-models/$MODEL_NAME/$SPECIFIED_VERSION/ Ladda ned från fjärr till cache (om arbetsytan har angetts)
get_sas_urls	Returnera en ordlista med nyckel/värde-par som innehåller filnamn och motsvarande SAS-URL:er.
list	Hämta en lista över alla modeller som är associerade med den angivna arbetsytan med valfria filter.
package	Skapa ett modellpaket i form av en Docker-avbildning eller Dockerfile-kompileringskontext.
print_configuration	Skriv ut användarkonfigurationen.
profile	Profilerar modellen för att få rekommendationer om resurskrav. Det här är en tidskrävande åtgärd som kan ta upp till 25 minuter beroende på datauppsättningens storlek.
register	Registrera en modell med den angivna arbetsytan.
remove_tags	Ta bort de angivna nycklarna från ordlistan för taggar för den här modellen.
serialize	Konvertera den här modellen till en json-serialiserad ordlista.
update	Utför en uppdatering på plats av modellen. Befintliga värden för angivna parametrar ersätts.
update_tags_properties	Utför en uppdatering av taggarna och egenskaperna för modellen.

add_dataset_references

Associera de angivna datauppsättningarna med den här modellen.

add_dataset_references(datasets)

Parametrar

Name	Description
datasets Obligatorisk	list[tuple(<xref:str :> (Dataset eller DatasetSnapshot))] En lista över tupplar som representerar en parkoppling av datauppsättningssyftet med datauppsättningsobjektet.

Undantag

Typ	Description
WebserviceException

add_properties

Lägg till nyckel/värde-par i modellens egenskapsordlista.

add_properties(properties)

Parametrar

Name	Description
properties Obligatorisk	dict(<xref:str : str>) Ordlistan med egenskaper som ska läggas till.

Undantag

Typ	Description
WebserviceException

add_tags

Lägg till nyckelvärdepar i taggarnas ordlista för den här modellen.

add_tags(tags)

Parametrar

Name	Description
tags Obligatorisk	dict(<xref:{str : str}>) Ordlistan med taggar som ska läggas till.

Undantag

Typ	Description
WebserviceException

delete

Ta bort den här modellen från dess associerade arbetsyta.

delete()

Undantag

Typ	Description
WebserviceException

deploy

Distribuera en webbtjänst från noll eller flera Model objekt.

Den resulterande webbtjänsten är en realtidsslutpunkt som kan användas för slutsatsdragningsbegäranden. Modellfunktionen deploy liknar funktionen i deployWebservice klassen, men registrerar inte modellerna. Använd funktionen Modell deploy om du har modellobjekt som redan är registrerade.

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

Parametrar

Name	Description
workspace Obligatorisk	Workspace Ett arbetsyteobjekt som webbtjänsten ska associeras med.
name Obligatorisk	str Namnet på den distribuerade tjänsten. Måste vara unikt för arbetsytan, endast bestå av gemener, siffror eller bindestreck, börja med en bokstav och vara mellan 3 och 32 tecken långt.
models Obligatorisk	list[Model] En lista över modellobjekt. Kan vara en tom lista.
inference_config	InferenceConfig Ett InferenceConfig-objekt som används för att fastställa nödvändiga modellegenskaper. Standardvärde: None
deployment_config	WebserviceDeploymentConfiguration En WebserviceDeploymentConfiguration som används för att konfigurera webbtjänsten. Om inget anges används ett tomt konfigurationsobjekt baserat på önskat mål. Standardvärde: None
deployment_target	ComputeTarget A ComputeTarget som webbtjänsten ska distribueras till. Eftersom Azure Container Instances inte har någon associerad ComputeTargetlämnar du den här parametern som Ingen att distribuera till Azure Container Instances. Standardvärde: None
overwrite	bool Anger om den befintliga tjänsten ska skrivas över om det redan finns en tjänst med det angivna namnet. Standardvärde: False
show_output	bool Anger om förloppet för tjänstdistributionen ska visas. Standardvärde: False

Returer

Typ	Description
Webservice	Ett webbtjänstobjekt som motsvarar den distribuerade webbtjänsten.

Undantag

Typ	Description
WebserviceException

deserialize

Konvertera ett JSON-objekt till ett modellobjekt.

Konverteringen misslyckas om den angivna arbetsytan inte är den arbetsyta som modellen är registrerad med.

static deserialize(workspace, model_payload)

Parametrar

Name	Description
workspace Obligatorisk	Workspace Arbetsyteobjektet som modellen är registrerad med.
model_payload Obligatorisk	dict Ett JSON-objekt som ska konverteras till ett modellobjekt.

Returer

Typ	Description
Model	Modellrepresentationen av det angivna JSON-objektet.

Undantag

Typ	Description
WebserviceException

download

Ladda ned modellen till målkatalogen för det lokala filsystemet.

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

Parametrar

Name	Description
target_dir	str Sökvägen till en katalog där modellen ska laddas ned. Standardvärdet är ".". Standardvärde: .
exist_ok	bool Anger om du vill ersätta nedladdade dir/filer om de finns. Standardvärdet är False. Standardvärde: False
exists_ok	bool DEPRECATED. Använd `exist_ok`. Standardvärde: None

Returer

Typ	Description
str	Sökvägen till modellens fil eller mapp.

Undantag

Typ	Description
WebserviceException

get_model_path

Returnera sökvägen till modellen.

Funktionen söker efter modellen på följande platser.

Om version är Ingen:

Ladda ned från fjärr till cache (om arbetsytan har angetts)
Läs in från cache azureml-models/$MODEL_NAME/$LATEST_VERSION/
./$MODEL_NAME

Om version inte är Ingen:

Läs in från cache azureml-models/$MODEL_NAME/$SPECIFIED_VERSION/
Ladda ned från fjärr till cache (om arbetsytan har angetts)

static get_model_path(model_name, version=None, _workspace=None)

Parametrar

Name	Description
model_name Obligatorisk	str Namnet på den modell som ska hämtas.
version	int Den version av modellen som ska hämtas. Standardvärdet är den senaste versionen. Standardvärde: None
_workspace	Workspace Arbetsytan som du vill hämta en modell från. Det går inte att fjärransluta. Om det inte anges genomsöks endast lokal cache. Standardvärde: None

Returer

Typ	Description
str	Sökvägen på disken till modellen.

Undantag

Typ	Description
ModelNotFoundException

get_sas_urls

Returnera en ordlista med nyckel/värde-par som innehåller filnamn och motsvarande SAS-URL:er.

get_sas_urls()

Returer

Typ	Description
dict	Ordlista med nyckel/värde-par som innehåller filnamn och motsvarande SAS-URL:er

Undantag

Typ	Description
WebserviceException

list

Hämta en lista över alla modeller som är associerade med den angivna arbetsytan med valfria filter.

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)

Parametrar

Name	Description
workspace Obligatorisk	Workspace Arbetsyteobjektet som modeller ska hämtas från.
name	str Om detta anges returneras endast modeller med det angivna namnet, om det finns några. Standardvärde: None
tags	list Filtrerar baserat på den angivna listan, antingen efter "nyckel" eller "[nyckel, värde]". t.ex. ['key', ['key2', 'key2 value']] Standardvärde: None
properties	list Filtrerar baserat på den angivna listan, antingen efter "nyckel" eller "[nyckel, värde]". t.ex. ['key', ['key2', 'key2 value']] Standardvärde: None
run_id	str Filtrerar baserat på det angivna körnings-ID:t. Standardvärde: None
latest	bool Om det är sant returneras endast modeller med den senaste versionen. Standardvärde: False
dataset_id	str Filtrerar baserat på angivet datauppsättnings-ID. Standardvärde: None
expand	bool Om det är sant returneras modeller med alla underegenskaper ifyllda, t.ex. körning, datauppsättning och experiment. Om du anger falskt bör list()-metoden slutföras snabbare om det finns många modeller. Standardvärde: True
page_count	int Antalet objekt som ska hämtas på en sida. Stöder för närvarande värden upp till 255. Standardvärdet är 255. Standardvärde: 255
model_framework	str Om det tillhandahålls returneras endast modeller med det angivna ramverket, om det finns några. Standardvärde: None

Returer

Typ	Description
list[Model]	En lista över modeller, eventuellt filtrerade.

Undantag

Typ	Description
WebserviceException

package

Skapa ett modellpaket i form av en Docker-avbildning eller Dockerfile-kompileringskontext.

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

Parametrar

Name	Description
workspace Obligatorisk	Workspace Arbetsytan där paketet ska skapas.
models Obligatorisk	list[Model] En lista över modellobjekt som ska ingå i paketet. Kan vara en tom lista.
inference_config	InferenceConfig Ett InferenceConfig-objekt för att konfigurera driften av modellerna. Detta måste innehålla ett miljöobjekt. Standardvärde: None
generate_dockerfile	bool Om du vill skapa en Dockerfile som kan köras lokalt i stället för att skapa en avbildning. Standardvärde: False
image_name	str När du skapar en avbildning, namnet på den resulterande avbildningen. Standardvärde: None
image_label	str När du skapar en avbildning, etiketten för den resulterande bilden. Standardvärde: None

Returer

Typ	Description
ModelPackage	Ett ModelPackage-objekt.

Undantag

Typ	Description
WebserviceException

print_configuration

Skriv ut användarkonfigurationen.

static print_configuration(models, inference_config, deployment_config, deployment_target)

Parametrar

Name	Description
models Obligatorisk	list[Model] En lista över modellobjekt. Kan vara en tom lista.
inference_config Obligatorisk	InferenceConfig Ett InferenceConfig-objekt som används för att fastställa nödvändiga modellegenskaper.
deployment_config Obligatorisk	WebserviceDeploymentConfiguration En WebserviceDeploymentConfiguration som används för att konfigurera webbtjänsten.
deployment_target Obligatorisk	ComputeTarget A ComputeTarget som webbtjänsten ska distribueras till.

Undantag

Typ	Description
WebserviceException

profile

Profilerar modellen för att få rekommendationer om resurskrav.

Det här är en tidskrävande åtgärd som kan ta upp till 25 minuter beroende på datauppsättningens storlek.

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

Parametrar

Name	Description
workspace Obligatorisk	Workspace Ett arbetsyteobjekt som modellen ska profileras i.
profile_name Obligatorisk	str Namnet på profileringskörningen.
models Obligatorisk	list[Model] En lista över modellobjekt. Kan vara en tom lista.
inference_config Obligatorisk	InferenceConfig Ett InferenceConfig-objekt som används för att fastställa nödvändiga modellegenskaper.
input_dataset Obligatorisk	Dataset Indatauppsättningen för profilering. Indatauppsättningen ska ha en enda kolumn och exempelindata ska vara i strängformat.
cpu	float Antalet processorkärnor som ska användas på den största testinstansen. Stöder för närvarande värden upp till 3,5. Standardvärde: None
memory_in_gb	float Mängden minne (i GB) som ska användas på den största testinstansen. Kan vara en decimal. Stöder för närvarande värden upp till 15.0. Standardvärde: None
description	str Beskrivning som ska associeras med profileringskörningen. Standardvärde: None

Returer

Typ	Description
ModelProfile

Undantag

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

register

Registrera en modell med den angivna arbetsytan.

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)

Parametrar

Name	Description
workspace Obligatorisk	Workspace Arbetsytan som modellen ska registreras med.
model_path Obligatorisk	str Sökvägen till det lokala filsystemet där modelltillgångarna finns. Detta kan vara en direkt pekare till en enda fil eller mapp. Om du pekar på en mapp kan parametern `child_paths` användas för att ange enskilda filer som ska paketeras som modellobjektet, i stället för att använda hela innehållet i mappen.
model_name Obligatorisk	str Namnet som modellen ska registreras med.
tags	dict(<xref:{str : str}>) En valfri ordlista med nyckelvärdestaggar som ska tilldelas till modellen. Standardvärde: None
properties	dict(<xref:{str : str}>) En valfri ordlista med nyckelvärdesegenskaper som ska tilldelas till modellen. Dessa egenskaper kan inte ändras när modellen har skapats, men nya nyckel/värde-par kan läggas till. Standardvärde: None
description	str En textbeskrivning av modellen. Standardvärde: None
datasets	list[(str, AbstractDataset)] En lista över tupplar där det första elementet beskriver relationen mellan datamängd och modell och det andra elementet är datauppsättningen. Standardvärde: None
model_framework	str Ramverket för den registrerade modellen. Med hjälp av konstanter som stöds av systemet från Framework klassen kan du förenkla distributionen för vissa populära ramverk. Standardvärde: None
model_framework_version	str Ramverksversionen av den registrerade modellen. Standardvärde: None
child_paths	list[str] Om de tillhandahålls tillsammans med en `model_path` till en mapp paketeras endast de angivna filerna i modellobjektet. Standardvärde: None
sample_input_dataset	AbstractDataset Exempel på indatauppsättning för den registrerade modellen. Standardvärde: None
sample_output_dataset	AbstractDataset Exempel på utdatauppsättning för den registrerade modellen. Standardvärde: None
resource_configuration	ResourceConfiguration En resurskonfiguration för att köra den registrerade modellen. Standardvärde: None

Returer

Typ	Description
Model	Det registrerade modellobjektet.

Undantag

Typ	Description
WebserviceException

Kommentarer

Förutom innehållet i själva modellfilen lagrar en registrerad modell även modellmetadata, inklusive modellbeskrivning, taggar och ramverksinformation, som är användbara när du hanterar och distribuerar modellen på din arbetsyta. Med taggar kan du till exempel kategorisera dina modeller och använda filter när du listar modeller på din arbetsyta.

Följande exempel visar hur du registrerar en modell som anger taggar och en beskrivning.


   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)

Fullständigt exempel är tillgängligt från https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/deployment/deploy-to-local/register-model-deploy-local-advanced.ipynb

Om du har en modell som har skapats som ett resultat av en experimentkörning kan du registrera den från ett körningsobjekt direkt utan att ladda ned den till en lokal fil först. För att göra det använder du register_model metoden enligt beskrivningen Run i klassen .

remove_tags

Ta bort de angivna nycklarna från ordlistan för taggar för den här modellen.

remove_tags(tags)

Parametrar

Name	Description
tags Obligatorisk	list[str] Listan över nycklar att ta bort

Undantag

Typ	Description
WebserviceException

serialize

Konvertera den här modellen till en json-serialiserad ordlista.

serialize()

Returer

Typ	Description
dict	Json-representationen av den här modellen

Undantag

Typ	Description
WebserviceException

update

Utför en uppdatering på plats av modellen.

Befintliga värden för angivna parametrar ersätts.

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

Parametrar

Name	Description
tags	dict(<xref:{str : str}>) En ordlista med taggar att uppdatera modellen med. Dessa taggar ersätter befintliga taggar för modellen. Standardvärde: None
description	str Den nya beskrivningen som ska användas för modellen. Det här namnet ersätter det befintliga namnet. Standardvärde: None
sample_input_dataset	AbstractDataset Exempeldatauppsättningen som ska användas för den registrerade modellen. Den här exempeldatauppsättningen ersätter den befintliga datauppsättningen. Standardvärde: None
sample_output_dataset	AbstractDataset Exempeldatauppsättningen som ska användas för den registrerade modellen. Den här exempeldatauppsättningen ersätter den befintliga datauppsättningen. Standardvärde: None
resource_configuration	ResourceConfiguration Den resurskonfiguration som ska användas för att köra den registrerade modellen. Standardvärde: None

Undantag

Typ	Description
WebserviceException

update_tags_properties

Utför en uppdatering av taggarna och egenskaperna för modellen.

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

Parametrar

Name	Description
add_tags	dict(<xref:{str : str}>) En ordlista med taggar att lägga till. Standardvärde: None
remove_tags	list[str] En lista med taggnamn att ta bort. Standardvärde: None
add_properties	dict(<xref:{str : str}>) En ordlista med egenskaper att lägga till. Standardvärde: None

Undantag

Typ	Description
WebserviceException

Dela via

Model Klass

Konstruktor

Parametrar

Kommentarer

Variabler

Metoder

add_dataset_references

Parametrar

Undantag

add_properties

Parametrar

Undantag

add_tags

Parametrar

Undantag

delete

Undantag

deploy

Parametrar

Returer

Undantag

deserialize

Parametrar

Returer

Undantag

download

Parametrar

Returer

Undantag

get_model_path

Parametrar

Returer

Undantag

get_sas_urls

Returer

Undantag

list

Parametrar

Returer

Undantag

package

Parametrar

Returer

Undantag

print_configuration

Parametrar

Undantag

profile

Parametrar

Returer

Undantag

register

Parametrar

Returer

Undantag

Kommentarer

remove_tags

Parametrar

Undantag

serialize

Returer

Undantag

update

Parametrar

Undantag

update_tags_properties

Parametrar

Undantag

Feedback

Ytterligare resurser