コンソールを使用したモデルの作成および保存
コンソールでモデルを作成し、モデル・カタログに直接保存します。
モデルをドキュメント化するには、メタデータを準備してから作成して保存する必要があります。
このタスクには、モデルの作成、メタデータの追加、トレーニング環境の定義、予測スキーマの指定およびモデル・カタログへのモデルの保存が含まれます。
-
ADSまたはOCI Python SDKを使用して、モデルを作成してモデル・カタログにプログラムで保存することをお薦めします。
-
ADSを使用して大規模なモデルを作成できます。ラージ・モデルには、最大400 GBのアーティファクト制限があります。
他の場所でトレーニングしたモデルを保存する場合、またはコンソールを使用する場合は、次のステップを使用してモデルを保存します:
- コンソールを使用して、必要なポリシーを使用してテナンシにサインインします。
- ナビゲーション・メニューを開き、「アナリティクスとAI」をクリックします。「機械学習」で、「データ・サイエンス」をクリックします。
-
モデルを保存するプロジェクトを含むコンパートメントを選択します。
コンパートメント内のすべてのプロジェクトがリストされます。
-
プロジェクトの名前をクリックします。
プロジェクトの詳細ページが開き、ノートブック・セッションがリストされます。
-
「リソース」で、「モデル」をクリックします。
コンパートメント内のモデルの表形式リストが表示されます。
-
ローカル・マシンに、
score.pyおよびruntime.yamlファイル(およびモデルの実行に必要なその他のファイル)を含むモデル・アーティファクトのzipアーカイブを作成します。「サンプル・アーティファクトzipのダウンロード」をクリックして、モデル・アーティファクトを作成するために変更できるサンプル・ファイルを取得します。 - 「モデルの作成」をクリックします。
- モデルを含めるコンパートメントを選択します。
- (オプション)一意の名前(255文字の制限)を入力します。名前を指定しない場合、名前は自動生成されます。
たとえば、
model20200108222435です。 - (オプション)モデルの説明(400文字に制限)を入力します。
-
「モデル・アーティファクトのアップロード」ボックスで、「選択」をクリックしてモデル・アーティファクト・アーカイブ(zipファイル)をアップロードします。
- zipファイルを「アーティファクト・ファイルのアップロード」ボックスにドラッグし、「アップロード」をクリックします。
- (オプション)「モデル・バージョン・セット」ボックスで、「選択」をクリックし、既存のバージョン・セットで構成するか、新しいセットを作成します。
- (オプション)「モデルの来歴」ボックスで、「選択」をクリックします。
- タクソノミのドキュメントを格納する場所に応じて、「ノートブック・セッション」または「ジョブ実行」を選択します。
-
次のいずれかのオプションを使用して、モデルがトレーニングされたノートブック・セッションまたはジョブ実行を検索します:
- プロジェクトの選択:
-
選択したコンパートメントで使用するプロジェクトの名前を選択します。
選択したコンパートメントは、プロジェクトとノートブック・セッションまたはジョブ実行の両方に適用され、両方が同じコンパートメントに存在する必要があります。そうでない場合は、かわりにOCID検索を使用します。
プロジェクトおよびノートブック・セッションまたはジョブ実行の両方のコンパートメントを変更できます。
選択したコンパートメントで使用するプロジェクトの名前。
モデルがトレーニングされたノートブック・セッションまたはジョブ実行を選択します。
- OCID検索:
-
ノートブック・セッションまたはジョブ実行がプロジェクトと異なるコンパートメント内にある場合、モデルをトレーニングしたノートブック・セッションまたはジョブ実行OCIDを入力します。
- モデルがトレーニングされたノートブック・セッションまたはジョブ実行を選択します。
- (オプション)「拡張オプションの表示」をクリックして、Gitおよびモデル・トレーニング情報を識別します。
次のいずれかの値を入力または選択します。
- GitリポジトリURL
-
リモートGitリポジトリのURL。
- Gitコミット
-
GitリポジトリのコミットID。
- Gitブランチ
-
ブランチの名前。
- ローカル・モデル・ディレクトリ
-
モデル・アーティファクトが一時的に格納されたディレクトリ・パス。これは、ノートブック・セッションやローカル・コンピュータ・ディレクトリなどのパスです。
- モデル・トレーニング・スクリプト
-
モデルをトレーニングしたPythonスクリプトまたはノートブック・セッションの名前。
ヒント
OCI SDKまたはCLIを使用してモデルをモデル・カタログに保存するときに、モデルの来歴メタデータを移入することもできます。
- 「選択」をクリックします。
- (オプション)「モデル・タクソノミ」ボックスで、「選択」をクリックして、モデルの動作、機械学習フレームワーク、ハイパーパラメータを指定するか、またはモデルをドキュメント化するカスタム・メタデータを作成します。
重要
すべてのモデル・メタデータの最大許容サイズは320000バイトです。サイズは、事前設定モデル・タクソノミとカスタム属性の組合せです。
-
「モデル・タクソノミ」セクションで、次のようにプリセット・ラベルを追加します:
次のように入力または選択します:
モデル・タクソノミ- ユース・ケース
-
使用する機械学習ユースケースのタイプ。
- モデル・フレームワーク
-
モデルのトレーニングに使用したPythonライブラリ。
- モデル・フレームワーク・バージョン
-
機械学習フレームワークのバージョン。これはフリー・テキスト値です。たとえば、値は2.3です。
- モデル・アルゴリズムまたはモデル・エスティメータ・オブジェクト
-
使用されるアルゴリズムまたはモデル・インスタンス・クラス。これはフリー・テキスト値です。たとえば、
sklearn.ensemble.RandomForestRegressorという値です。 - モデル・ハイパーパラメータ
-
JSON形式のモデルのハイパーパラメータ。
- アーティファクト・テスト結果
-
クライアント側で実行されるイントロスペクション・テスト結果のJSON出力。これらのテストは、モデル・アーティファクト・ボイラープレート・コードに含まれています。モデルをモデル・カタログに保存する前に、必要に応じて実行できます。
カスタムのラベルと値の属性ペアの作成- ラベル
-
カスタム・メタデータのキー・ラベル
- 値
-
キーに付けられた値
- カテゴリ
-
(オプション)メタデータのカテゴリ。次のような様々な選択肢があります:
-
performance
-
training profile
-
training and validation datasets
-
training environment
-
other
カテゴリを使用して、コンソールに表示するカスタム・メタデータをグループ化およびフィルタできます。これは、追跡するカスタム・メタデータが多数ある場合に便利です。
-
- 説明
-
(オプション)カスタム・メタデータの一意の説明を入力します。
- 「選択」をクリックします。
-
「モデル・タクソノミ」セクションで、次のようにプリセット・ラベルを追加します:
- (オプション)「ドキュメント・モデル入力および出力データ・スキーマ」ボックスの「選択」をクリックして、モデルの予測をドキュメント化します。モデルで予測を成功させるために必要なモデル予測機能を定義します。また、モデルによって返される予測(
predict()関数を使用してscore.pyファイルで定義)を記述する入力および出力スキーマも定義します。重要
入力スキーマと出力スキーマを合せた最大許容ファイル・サイズは32000バイトです。
- 入力スキーマJSONファイルを「入力スキーマのアップロード」ボックスにドラッグします。
- 出力スキーマJSONファイルを「出力スキーマのアップロード」ボックスにドラッグします。
- 「選択」をクリックします。
重要
モデルの作成時にのみ入力および出力データ・スキーマをドキュメント化できます。モデル作成後はスキーマを編集できません。
- (オプション)「拡張オプションの表示」をクリックしてタグを追加します。
- (オプション)タグ・ネームスペース(定義済タグの場合)、キーおよび値を入力して、リソースにタグを割り当てます。
複数のタグを追加するには、「タグの追加」をクリックします。
タグ付けに関する項では、コスト・トラッキング・タグなど、リソースの整理および検索に使用できる様々なタグについて説明します。
-
「作成」をクリックします。