跳到主要内容

构建Scikit-Learn开发的模型

构建: 可将您已打包的模型进行容器化处理，方便模型资产的迁移和部署。

根据您使用的框架，AILines将针对不同的框架进行构建。
您可以在平台上创建修改构建，对构建的内容进行查看，删除等。

以 Scikit-Learn 框架为例，我们首先通过 Notebook 创建一个模型, 在模型评估后使用 Pickle 进行打包：

提示

关于如何启动Notebook，请参看：创建Notebook

开发一个sklearn模型

我们将打包的模型存储在工作空间的 models/iris_clf.pkl 路径中

提示

注意：Scikit-learn模型打包只能是pickle或joblib两种类型
如果是 Pickle 打包, 请使用 pkl 或 pickle 文件后缀
如果是 Joblib 打包, 请使用 joblib 文件后缀

创建构建​

请点击构建列表页的 创建 按钮，跳转到模型构建页面，如下图： 创建

其中：

  • 工作空间: 模型所在的工作空间。
  • Framework: 模型所使用的框架。
  • 模型存储路径: 模型打包文件存储路径, 上例模型存储路径为 models/iris_clf.pkl
  • 服务名和版本: 将模型打包为服务，该模型的服务名称与版本号，服务名及版本号在租户内唯一。
  • 输入和输出: 模型数输入和输出名称和类型，目前， 输入参数可选择 Base64Image 和 NumpyNdarray 两种类型，输出结果类型仅可以为NumpyNdarray。
  • 输入前置处理函数: 如果模型的输入需要根据自身业务进行一定的处理，则请将处理内容加入到函数中。如果您不提供相应的处理，系统将提供默认行为。

构建提交​

确认提交构建后, 将跳转到构建列表页 提交构建

提交构建后，AILines将在后台将模型打包成服务, 一般需要等待5～10分钟，如果模型的复杂度高并且 Python 依赖多则等待时间会有所延长。 等待构建

查看进度

提示

如果您已经了解模型如何构建,请阅读下一节：
如何部署：模型部署

查看日志​

构建日志

参考代码​

import os
import pickle 
from sklearn.linear_model import LogisticRegression
from sklearn import svm, datasets
from sklearn.model_selection import train_test_split

# 加载并拆分数据
iris = datasets.load_iris()
x, y = iris.data, iris.target
Xtrain, Xtest, Ytrain, Ytest = train_test_split(x, y, test_size=0.3, random_state=4)

# 使用分类支持向量机创建模型
clf = svm.SVC()

# 训练
clf.fit(Xtrain, Ytrain)

# 评估
score = clf.score(Xtest, Ytest)
print("Test score: {0:.2f} %".format(100 * score))

# 保存模型
filename = "models/iris_clf.pkl"
os.makedirs(os.path.dirname(filename), exist_ok=True)
with open(filename, 'wb') as handle:
    pickle.dump(clf, handle, protocol=pickle.HIGHEST_PROTOCOL)