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。
モデルを文書化するには、作成して保存する前にメタデータを準備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、モデル・カタログへのモデルの保存が含まれます。
-
かわりに、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。大規模モデルには、最大400 GBのアーティファクトの制限があります。
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、次のステップを実行します:
-
「データ・サイエンス」モデル・ページで、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」を選択して、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。モデルのリストの検索に関するヘルプが必要な場合は、モデルのリストを参照してください。 - 「モデルの作成」を選択します。
- 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」または「参照によるモデルの作成」のいずれかを選択します。
-
ステップ6で「モデル・アーティファクトのアップロード」を選択した場合は、「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」を選択してモデル・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」を選択します。
-
ステップ6で、「参照によるモデルの作成」を選択した場合:
- コンパートメントの選択
- バケットの選択
- (オプション)オブジェクト名の接頭辞を入力します。
- (オプション)「モデル・バージョン・セット」ボックスで、「選択」、既存のバージョン・セットで構成または新しいセットを作成しますの順に選択します。
- (オプション)「モデルの来歴」ボックスで、「選択」を選択します。
- 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」を選択して、Gitおよびモデルのトレーニング情報を識別します。
以下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・セッション内のパスまたはローカル・コンピュータ・ディレクトリなどです。
- 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・カタログにモデルを保存するときに、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」を選択します。
- (オプション)「モデル・分類」ボックスで、「選択」を選択して、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3200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- 使用例
-
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。
- モデル番号
-
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- Label
-
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:
-
パフォーマンス
-
Training Profile
-
training and validation datasets
-
トレーニング環境
-
その他
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・メタデータが多い場合に便利です。
-
- 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。
- (オプション)ステップ6で「参照によるモデルの作成」を選択した場合、メタデータ・アーティファクトをアップロードできます。
- 「メタデータ・フィールド名」を選択します。
- 値を入力します。
- アーティファクト・ファイルのアップロード
- (オプション)アーティファクトの検索に役立つ検索キーワードを入力します。
- 別のアーティファクトを追加するには、+Add定義済属性を選択し、前のステップを繰り返します。このステップは、25個のアーティファクトがあるまで繰り返すことができます。
- 「選択」を選択します。
-
「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」を選択して、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」を選択します。
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」を選択してタグを追加します。
- (オプション)「タグ」セクションで、<resourceType>に1つ以上のタグを追加します。リソースの作成権限がある場合は、フリーフォーム・タグをそのリソースに適用する権限もあります。定義済タグを適用するには、タグ・ネームスペースを使用する権限が必要です。タグ付けの詳細は、リソース・タグを参照してください。タグを適用するかどうかがわからない場合は、このオプションをスキップするか、管理者に問い合せてください。タグは後で適用できます。
-
「作成」をクリックします。