Esporta gli artefatti del modello per previsione e spiegazione

Vertex AI offre container predefiniti per fornire previsioni e spiegazioni dai modelli addestrati utilizzando i seguenti di machine learning (ML):

• TensorFlow
• PyTorch
• XGBoost
• scikit-learn

Per utilizzare uno di questi container predefiniti, devi salvare il modello come uno o più artefatto del modello che soddisfano i requisiti della piattaforma containerizzato. Questi requisiti si applicano indipendentemente dal fatto che gli artefatti del modello siano creato su Vertex AI.

Se utilizzi un un container personalizzato per la pubblicazione di previsioni, non devono soddisfare i requisiti di questa pagina, ma puoi comunque utilizzare come linee guida.

Requisiti specifici del framework per l'esportazione in container predefiniti

A seconda del framework ML che prevedi di utilizzare la previsione, devi esportare gli artefatti del modello in formati diversi. Le seguenti sezioni descrivono il modello accettabile formati per ogni framework ML.

TensorFlow

Se utilizzi TensorFlow per addestrare modello, esportalo come TensorFlow SavedModel .

Esistono diversi modi per esportare SavedModels dal codice di addestramento TensorFlow. La nell'elenco seguente sono descritti alcuni metodi che funzionano con le varie API TensorFlow:

• Se utilizzi Keras per l'addestramento, usa tf.keras.Model.save per esportare SavedModel.

• Se utilizzi uno strumento per la stima per l'addestramento, utilizza tf.estimator.Estimator.export_saved_model per esportare un SavedModel.

• Altrimenti, usa tf.saved_model.save o usa tf.compat.v1.saved_model.SavedModelBuilder.

  Se non utilizzi Keras o uno strumento per la stima, assicurati di utilizzare lo strumento serve e serving_default firma quando esporti SavedModel per fare in modo che Vertex AI possa utilizzare gli artefatti del modello per fornire previsioni. Keras e Estimator si occupano di questo automaticamente. Scopri di più su come specificare le firme durante esporta.

Per pubblicare previsioni utilizzando questi artefatti, crea un Model con container per la corrispondenza delle previsioni la versione di TensorFlow utilizzata per l'addestramento.

TensorFlow per Vertex Explainable AI

Se vuoi ricevere spiegazioni da un Model che utilizza un container TensorFlow predefinito per fornire previsioni, leggi il link aggiuntivo requisiti per l'esportazione di un modello TensorFlow Vertex Explainable AI.

Abilita il batch di richieste lato server per TensorFlow

Se vuoi abilitare il raggruppamento in batch di richieste per un Model che utilizza un TensorFlow un container predefinito per pubblicare previsioni, config/batching_parameters_config nella stessa directory Cloud Storage di saved_model.pb . Per configurare il file di configurazione in batch, consulta l'articolo TensorFlow's documentazione ufficiale.

PyTorch

Devi pacchettizzare gli artefatti del modello, tra cui un default o gestore personalizzato per creando un file di archivio Archiviatore di modelli torcia. Le immagini PyTorch predefinite prevedono che l'archivio venga denominato model.mar, quindi assicurati di assicurati di impostare model-name su "model".

Per informazioni su come ottimizzare l'utilizzo della memoria, la latenza o la velocità effettiva di un nel modello PyTorch fornito con TorchServe, consulta Guida al rendimento di PyTorch.

XGBoost

Se usi un container predefinito XGBoost per addestrare un modello, puoi esportarlo nei seguenti modi:

• Usa il metodo save_model di xgboost.Booster per esportare un file denominato model.bst.
• Utilizzare la raccolta joblib per esportare un file denominato model.joblib.
• Usa il modulo pickle di Python. per esportare un file denominato model.pkl.

Il nome file dell'artefatto del modello deve corrispondere esattamente a una di queste opzioni.

I seguenti esempi mostrano come addestrare ed esportare un modello:

import os

from google.cloud import storage
from sklearn import datasets
import xgboost as xgb

digits = datasets.load_digits()
dtrain = xgb.DMatrix(digits.data, label=digits.target)
bst = xgb.train({}, dtrain, 20)

artifact_filename = 'model.bst'

# Save model artifact to local filesystem (doesn't persist)
local_path = artifact_filename
bst.save_model(local_path)

# Upload model artifact to Cloud Storage
model_directory = os.environ['AIP_MODEL_DIR']
storage_path = os.path.join(model_directory, artifact_filename)
blob = storage.blob.Blob.from_string(storage_path, client=storage.Client())
blob.upload_from_filename(local_path)

import os

from google.cloud import storage
from sklearn import datasets
import joblib
import xgboost as xgb

digits = datasets.load_digits()
dtrain = xgb.DMatrix(digits.data, label=digits.target)
bst = xgb.train({}, dtrain, 20)

artifact_filename = 'model.joblib'

# Save model artifact to local filesystem (doesn't persist)
local_path = artifact_filename
joblib.dump(bst, local_path)

# Upload model artifact to Cloud Storage
model_directory = os.environ['AIP_MODEL_DIR']
storage_path = os.path.join(model_directory, artifact_filename)
blob = storage.blob.Blob.from_string(storage_path, client=storage.Client())
blob.upload_from_filename(local_path)

import os
import pickle

from google.cloud import storage
from sklearn import datasets
import xgboost as xgb

digits = datasets.load_digits()
dtrain = xgb.DMatrix(digits.data, label=digits.target)
bst = xgb.train({}, dtrain, 20)

artifact_filename = 'model.pkl'

# Save model artifact to local filesystem (doesn't persist)
local_path = artifact_filename
with open(local_path, 'wb') as model_file:
  pickle.dump(bst, model_file)

# Upload model artifact to Cloud Storage
model_directory = os.environ['AIP_MODEL_DIR']
storage_path = os.path.join(model_directory, artifact_filename)
blob = storage.blob.Blob.from_string(storage_path, client=storage.Client())
blob.upload_from_filename(local_path)

Per pubblicare previsioni utilizzando questo artefatto, crea un Model con container per la corrispondenza delle previsioni la versione di XGBoost usata per l'addestramento.

scikit-learn

Se utilizzi un modello predefinito scikit-learn per addestrare un modello predefinito, puoi esportarlo nei seguenti modi:

• Utilizzare la raccolta joblib per esportare un file denominato model.joblib.
• Usa il modulo pickle di Python. per esportare un file denominato model.pkl.

Il nome file dell'artefatto del modello deve corrispondere esattamente a una di queste opzioni. Puoi esporta gli stimatori scikit-learn standard o scikit-learn pipeline di dati.

I seguenti esempi mostrano come addestrare ed esportare un modello:

import os

from google.cloud import storage
from sklearn import datasets
from sklearn.ensemble import RandomForestClassifier
import joblib

digits = datasets.load_digits()
classifier = RandomForestClassifier()
classifier.fit(digits.data, digits.target)

artifact_filename = 'model.joblib'

# Save model artifact to local filesystem (doesn't persist)
local_path = artifact_filename
joblib.dump(classifier, local_path)

# Upload model artifact to Cloud Storage
model_directory = os.environ['AIP_MODEL_DIR']
storage_path = os.path.join(model_directory, artifact_filename)
blob = storage.blob.Blob.from_string(storage_path, client=storage.Client())
blob.upload_from_filename(local_path)

import os
import pickle

from google.cloud import storage
from sklearn import datasets
from sklearn.ensemble import RandomForestClassifier

digits = datasets.load_digits()
classifier = RandomForestClassifier()
classifier.fit(digits.data, digits.target)

artifact_filename = 'model.pkl'

# Save model artifact to local filesystem (doesn't persist)
local_path = artifact_filename
with open(local_path, 'wb') as model_file:
  pickle.dump(classifier, model_file)

# Upload model artifact to Cloud Storage
model_directory = os.environ['AIP_MODEL_DIR']
storage_path = os.path.join(model_directory, artifact_filename)
blob = storage.blob.Blob.from_string(storage_path, client=storage.Client())
blob.upload_from_filename(local_path)

Per pubblicare previsioni utilizzando questo artefatto, crea un Model con container per la previsione che corrisponde alla versione di scikit-learn utilizzata per l'addestramento.

Passaggi successivi

• Consulta i requisiti aggiuntivi per la formazione che devi prendere in considerazione durante l'esecuzione e l'addestramento personalizzato su Vertex AI.

• Scopri come creare una TrainingPipeline personalizzata risorsa per eseguire le tue applicazioni e crea un valore Model dagli artefatti del modello risultanti.

• Scopri come importare un Model dagli artefatti del modello in Cloud Storage. Questo vale per gli artefatti del modello che crei utilizzando un CustomJob risorsa o HyperparameterTuningJob risorsa, nonché del modello gli artefatti che addestri al di fuori di Vertex AI.