Model Classe

Représente le résultat de Machine Learning formation.

Un modèle est le résultat d’une formation Azure machine learning Run ou d’un autre processus d’apprentissage de modèle en dehors d’Azure. Quelle que soit la façon dont le modèle est produit, il peut être inscrit dans un espace de travail, où il est représenté par un nom et une version. Avec la classe de modèle, vous pouvez empaqueter des modèles à utiliser avec l’ancrage et les déployer en tant que point de terminaison en temps réel qui peut être utilisé pour les demandes d’inférence.

Pour obtenir un didacticiel de bout en bout sur la façon dont les modèles sont créés, gérés et consommés, consultez former un modèle de classification d’image avec les données MNIST et scikit-apprendre à utiliser Azure machine learning.

Héritage
builtins.object
Model

Constructeur

Model(workspace, name=None, id=None, tags=None, properties=None, version=None, run_id=None, model_framework=None, expand=True, **kwargs)

Paramètres

workspace
Workspace

Objet de l’espace de travail contenant le modèle à récupérer.

name
<xref:str>

Nom du modèle à récupérer. Le dernier modèle avec le nom spécifié est retourné, le cas échéant.

id
<xref:str>

ID du modèle à récupérer. Le modèle avec l’ID spécifié est retourné, le cas échéant.

tags
list

Liste facultative de balises utilisées pour filtrer les résultats retournés. Les résultats sont filtrés en fonction de la liste fournie, en effectuant une recherche par « Key » ou « [Key, value] ». Ex. [« clé », [« Key2 », « valeur Key2 »]]

properties
list

Liste facultative de propriétés utilisées pour filtrer les résultats retournés. Les résultats sont filtrés en fonction de la liste fournie, en effectuant une recherche par « Key » ou « [Key, value] ». Ex. [« clé », [« Key2 », « valeur Key2 »]]

version
<xref:int>

Version de modèle à retourner. Lorsqu’il est fourni avec le name paramètre, la version spécifique du modèle nommé spécifié est retournée, le cas échéant. Si version est omis, la dernière version du modèle est retournée.

run_id
<xref:str>

ID facultatif utilisé pour filtrer les résultats retournés.

model_framework
<xref:str>

Nom d’infrastructure facultatif utilisé pour filtrer les résultats retournés. S’il est spécifié, les résultats sont retournés pour les modèles correspondant au Framework spécifié. FrameworkPour obtenir les valeurs autorisées, consultez.

Remarques

Le constructeur de modèle est utilisé pour récupérer une représentation Cloud d’un objet de modèle associé à l’espace de travail spécifié. Au moins le nom ou l’ID doit être fourni pour récupérer les modèles, mais il existe également d’autres options de filtrage, notamment par balises, propriétés, version, ID d’exécution et Framework.


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

L’exemple suivant montre comment extraire une version spécifique d’un modèle.


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

L’inscription d’un modèle crée un conteneur logique pour un ou plusieurs fichiers qui composent votre modèle. Outre le contenu du fichier de modèle lui-même, un modèle inscrit stocke également les métadonnées de modèle, y compris la description du modèle, les balises et les informations de l’infrastructure, qui sont utiles lors de la gestion et du déploiement du modèle dans votre espace de travail. Par exemple, avec des balises, vous pouvez catégoriser vos modèles et appliquer des filtres lorsque vous répertoriez les modèles dans votre espace de travail. Après l’inscription, vous pouvez ensuite télécharger ou déployer le modèle inscrit et recevoir tous les fichiers et métadonnées qui ont été inscrits.

L’exemple suivant montre comment inscrire un modèle en spécifiant des balises et une description.


   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)

L’exemple complet est disponible dans https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/deployment/deploy-to-local/register-model-deploy-local-advanced.ipynb

L’exemple suivant montre comment inscrire un modèle spécifiant une infrastructure, des jeux de données d’entrée et de sortie et la configuration des ressources.


   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)

L’exemple complet est disponible dans https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/deployment/deploy-to-cloud/model-register-and-deploy.ipynb

La section variables répertorie les attributs d’une représentation locale de l’objet de modèle Cloud. Ces variables doivent être considérées comme étant en lecture seule. La modification de leurs valeurs ne sera pas reflétée dans l’objet Cloud correspondant.

Variables

created_by
<xref:dict>

Utilisateur qui a créé le modèle.

created_time
<xref:datetime.datetime>

Lorsque le modèle a été créé.

azureml.core.Model.description

Description de l’objet de modèle.

azureml.core.Model.id

ID de modèle. Cela prend la forme de < nom de modèle > : < version de modèle > .

mime_type
<xref:str>

Type MIME du modèle.

azureml.core.Model.name

Nom du modèle.

model_framework
<xref:str>

Infrastructure du modèle.

model_framework_version
<xref:str>

Version du Framework du modèle.

azureml.core.Model.tags

Dictionnaire de balises pour l’objet de modèle.

azureml.core.Model.properties

Dictionnaire des propriétés de valeur de clé pour le modèle. Ces propriétés ne peuvent pas être modifiées après l’inscription, toutefois, de nouvelles paires clé/valeur peuvent être ajoutées.

unpack
<xref:bool>

Indique si le modèle doit être décompressé (untarred) lorsqu’il est extrait dans un contexte local.

url
<xref:str>

Emplacement de l’URL du modèle.

azureml.core.Model.version

Version du modèle.

azureml.core.Model.workspace

Espace de travail contenant le modèle.

azureml.core.Model.experiment_name

Nom de l’expérience qui a créé le modèle.

azureml.core.Model.run_id

ID de l’exécution qui a créé le modèle.

parent_id
<xref:str>

ID du modèle parent du modèle.

derived_model_ids
list[<xref:str>]

Liste des ID de modèle dérivés de ce modèle.

resource_configuration
ResourceConfiguration

ResourceConfiguration pour ce modèle. Utilisé pour le profilage.

Méthodes

add_dataset_references

Associez les datasets fournis à ce modèle.

add_properties

Ajoutez des paires clé-valeur au dictionnaire de propriétés de ce modèle.

add_tags

Ajoutez des paires clé-valeur au dictionnaire de balises de ce modèle.

delete

Supprimer ce modèle de l’espace de travail qui lui est associé.

deploy

Déployez un service Web à partir de zéro ou plusieurs Model objets.

Le service Web résultant est un point de terminaison en temps réel qui peut être utilisé pour les demandes d’inférence. La deploy fonction de modèle est similaire à la deploy fonction de la Webservice classe, mais n’inscrit pas les modèles. Utilisez la deploy fonction Model si vous avez des objets de modèle déjà inscrits.

deserialize

Convertit un objet JSON en objet de modèle.

La conversion échoue si l’espace de travail spécifié n’est pas l’espace de travail avec lequel le modèle est enregistré.

download

Téléchargez le modèle dans le répertoire cible du système de fichiers local.

get_model_path

Retourne le chemin d’accès au modèle.

La fonction recherche le modèle aux emplacements suivants.

Si version est None :

  1. Télécharger du à distance au cache (si l’espace de travail est fourni)
  2. Charger à partir du cache azureml-Models/$MODEL _NAME/$LATEST _VERSION/
  3. ./$MODEL _NAME

Si version n’a pas la valeur None :

  1. Charger à partir du cache azureml-Models/$MODEL _NAME/$SPECIFIED _VERSION/
  2. Télécharger du à distance au cache (si l’espace de travail est fourni)
get_sas_urls

Retourne un dictionnaire de paires clé-valeur contenant des noms de fichiers et des URL SAS correspondantes.

list

Récupérer une liste de tous les modèles associés à l’espace de travail fourni, avec des filtres facultatifs.

package

Créez un package de modèle sous la forme d’une image d’ancrage ou d’un contexte de génération fichier dockerfile.

print_configuration

Imprimez la configuration utilisateur.

profile

Profile le modèle pour recevoir des recommandations relatives aux besoins en ressources.

Il s’agit d’une opération longue qui peut prendre jusqu’à 25 minutes en fonction de la taille du jeu de données.

register

Inscrire un modèle avec l’espace de travail fourni.

remove_tags

Supprimez les clés spécifiées du dictionnaire de balises de ce modèle.

serialize

Convertissez ce modèle en dictionnaire JSON sérialisé.

update

Effectuez une mise à jour sur place du modèle.

Les valeurs existantes des paramètres spécifiés sont remplacées.

update_tags_properties

Effectuez une mise à jour des balises et des propriétés du modèle.

add_dataset_references

Associez les datasets fournis à ce modèle.

add_dataset_references(datasets)

Paramètres

datasets
list[<xref:tuple>(<xref:str : >(Dataset ou DatasetSnapshot))]

Liste de tuples représentant une association de l’objet d’un jeu de données à l’objet DataSet.

add_properties

Ajoutez des paires clé-valeur au dictionnaire de propriétés de ce modèle.

add_properties(properties)

Paramètres

properties
<xref:dict>(<xref:str : str>)

Dictionnaire de propriétés à ajouter.

add_tags

Ajoutez des paires clé-valeur au dictionnaire de balises de ce modèle.

add_tags(tags)

Paramètres

tags
<xref:dict>(<xref:{str : str}>)

Dictionnaire de balises à ajouter.

Exceptions

delete

Supprimer ce modèle de l’espace de travail qui lui est associé.

delete()

deploy

Déployez un service Web à partir de zéro ou plusieurs Model objets.

Le service Web résultant est un point de terminaison en temps réel qui peut être utilisé pour les demandes d’inférence. La deploy fonction de modèle est similaire à la deploy fonction de la Webservice classe, mais n’inscrit pas les modèles. Utilisez la deploy fonction Model si vous avez des objets de modèle déjà inscrits.

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

Paramètres

workspace
Workspace

Objet Workspace avec lequel associer le service Web.

name
<xref:str>

Nom à attribuer au service déployé. Doit être unique dans l’espace de travail, comporter uniquement des lettres minuscules, des chiffres ou des tirets, commencer par une lettre et comporter entre 3 et 32 caractères.

models
list[Model]

Liste d’objets de modèle. Peut être une liste vide.

inference_config
InferenceConfig
valeur par défaut: None

Objet InferenceConfig utilisé pour déterminer les propriétés de modèle requises.

deployment_config
WebserviceDeploymentConfiguration
valeur par défaut: None

WebserviceDeploymentConfiguration utilisé pour configurer le service Web. Si aucun objet de configuration n’est fourni, un objet de configuration vide sera utilisé en fonction de la cible souhaitée.

deployment_target
ComputeTarget
valeur par défaut: None

Sur lequel ComputeTarget déployer le service Web. Comme Azure Container Instances n’est associé à aucun ComputeTarget , laissez ce paramètre sur aucun pour le déployer sur Azure Container instances.

overwrite
<xref:bool>
valeur par défaut: False

Indique s’il faut remplacer le service existant s’il existe déjà un service portant le nom spécifié.

show_output
<xref:bool>
valeur par défaut: False

Indique s’il faut afficher la progression du déploiement du service.

Retours

Objet WebService correspondant au service Web déployé.

Type de retour

Exceptions

deserialize

Convertit un objet JSON en objet de modèle.

La conversion échoue si l’espace de travail spécifié n’est pas l’espace de travail avec lequel le modèle est enregistré.

deserialize(workspace, model_payload)

Paramètres

workspace
Workspace

Objet Workspace avec lequel le modèle est enregistré.

model_payload
<xref:dict>

Objet JSON à convertir en objet de modèle.

Retours

Représentation de modèle de l’objet JSON fourni.

Type de retour

download

Téléchargez le modèle dans le répertoire cible du système de fichiers local.

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

Paramètres

target_dir
<xref:str>
valeur par défaut: .

Chemin d’accès à un répertoire dans lequel Télécharger le modèle. La valeur par défaut est « . »

exist_ok
<xref:bool>
valeur par défaut: False

Indique s’il faut remplacer le répertoire/les fichiers téléchargés s’ils existent. Valeur par défaut False.

exists_ok
<xref:bool>
valeur par défaut: None

Déconseillé. Utiliser exist_ok.

Retours

Chemin d’accès au fichier ou au dossier du modèle.

Type de retour

<xref:str>

get_model_path

Retourne le chemin d’accès au modèle.

La fonction recherche le modèle aux emplacements suivants.

Si version est None :

  1. Télécharger du à distance au cache (si l’espace de travail est fourni)
  2. Charger à partir du cache azureml-Models/$MODEL _NAME/$LATEST _VERSION/
  3. ./$MODEL _NAME

Si version n’a pas la valeur None :

  1. Charger à partir du cache azureml-Models/$MODEL _NAME/$SPECIFIED _VERSION/
  2. Télécharger du à distance au cache (si l’espace de travail est fourni)
get_model_path(model_name, version=None, _workspace=None)

Paramètres

model_name
<xref:str>

Nom du modèle à récupérer.

version
<xref:int>
valeur par défaut: None

Version du modèle à récupérer. La version la plus récente est par défaut.

_workspace
Workspace
valeur par défaut: None

Espace de travail à partir duquel récupérer un modèle. Impossible d’utiliser à distance. S’il n’est pas spécifié, la recherche s’effectue uniquement dans le cache local.

Retours

Chemin d’accès au modèle sur le disque.

Type de retour

<xref:str>

Exceptions

get_sas_urls

Retourne un dictionnaire de paires clé-valeur contenant des noms de fichiers et des URL SAS correspondantes.

get_sas_urls()

Retours

Dictionnaire de paires clé-valeur contenant des noms de fichiers et des URL SAS correspondantes

Type de retour

<xref:dict>

list

Récupérer une liste de tous les modèles associés à l’espace de travail fourni, avec des filtres facultatifs.

list(workspace, name=None, tags=None, properties=None, run_id=None, latest=False, dataset_id=None, expand=True, page_count=255, model_framework=None)

Paramètres

workspace
Workspace

Objet de l’espace de travail à partir duquel récupérer les modèles.

name
<xref:str>
valeur par défaut: None

S’il est fourni, retourne uniquement les modèles avec le nom spécifié, le cas échéant.

tags
list
valeur par défaut: None

Filtre en fonction de la liste fournie, par « Key » ou « [Key, value] ». Ex. [« clé », [« Key2 », « valeur Key2 »]]

properties
list
valeur par défaut: None

Filtre en fonction de la liste fournie, par « Key » ou « [Key, value] ». Ex. [« clé », [« Key2 », « valeur Key2 »]]

run_id
<xref:str>
valeur par défaut: None

Filtre en fonction de l’ID d’exécution fourni.

latest
<xref:bool>
valeur par défaut: False

Si la valeur est true, retourne uniquement les modèles avec la version la plus récente.

dataset_id
<xref:str>
valeur par défaut: None

Filtre en fonction de l’ID de jeu de données fourni.

expand
<xref:bool>
valeur par défaut: True

Si la valeur est true, retourne des modèles avec toutes les sous-propriétés renseignées, par exemple, Run, DataSet et expérimentation. La définition de cette valeur sur false doit accélérer l’achèvement de la méthode List () en cas de nombreux modèles.

page_count
<xref:int>
valeur par défaut: 255

Nombre d’éléments à récupérer dans une page. Actuellement, prenez en charge des valeurs allant jusqu’à 255. La valeur par défaut est 255.

model_framework
<xref:str>
valeur par défaut: None

S’il est fourni, retourne uniquement les modèles avec l’infrastructure spécifiée, le cas échéant.

Retours

Liste de modèles, éventuellement filtrés.

Type de retour

Exceptions

package

Créez un package de modèle sous la forme d’une image d’ancrage ou d’un contexte de génération fichier dockerfile.

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

Paramètres

workspace
Workspace

Espace de travail dans lequel créer le package.

models
list[Model]

Liste d’objets de modèle à inclure dans le package. Peut être une liste vide.

inference_config
InferenceConfig
valeur par défaut: None

Objet InferenceConfig pour configurer le fonctionnement des modèles. Cela doit inclure un objet d’environnement.

generate_dockerfile
<xref:bool>
valeur par défaut: False

Indique s’il faut créer un fichier dockerfile qui peut être exécuté localement au lieu de générer une image.

image_name
<xref:str>
valeur par défaut: None

Lors de la génération d’une image, nom de l’image résultante.

image_label
<xref:str>
valeur par défaut: None

Lors de la génération d’une image, étiquette de l’image résultante.

Retours

Objet ModelPackage.

Type de retour

Imprimez la configuration utilisateur.

print_configuration(models, inference_config, deployment_config, deployment_target)

Paramètres

models
list[Model]

Liste d’objets de modèle. Peut être une liste vide.

inference_config
InferenceConfig

Objet InferenceConfig utilisé pour déterminer les propriétés de modèle requises.

deployment_config
WebserviceDeploymentConfiguration

WebserviceDeploymentConfiguration utilisé pour configurer le service Web.

deployment_target
ComputeTarget

Sur lequel ComputeTarget déployer le service Web.

profile

Profile le modèle pour recevoir des recommandations relatives aux besoins en ressources.

Il s’agit d’une opération longue qui peut prendre jusqu’à 25 minutes en fonction de la taille du jeu de données.

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

Paramètres

workspace
Workspace

Objet de l’espace de travail dans lequel profiler le modèle.

profile_name
<xref:str>

Nom de l’exécution du profilage.

models
list[Model]

Liste d’objets de modèle. Peut être une liste vide.

inference_config
InferenceConfig

Objet InferenceConfig utilisé pour déterminer les propriétés de modèle requises.

input_dataset
Dataset

Jeu de données d’entrée pour le profilage. Le jeu de données d’entrée doit avoir une seule colonne et les entrées de l’exemple doivent être au format chaîne.

cpu
<xref:float>
valeur par défaut: None

Nombre de cœurs de processeur à utiliser sur la plus grande instance de test. Actuellement, prenez en charge des valeurs allant jusqu’à 3,5.

memory_in_gb
<xref:float>
valeur par défaut: None

Quantité de mémoire (en Go) à utiliser sur la plus grande instance de test. Peut être un nombre décimal. Actuellement, prenez en charge des valeurs allant jusqu’à 15,0.

description
<xref:str>
valeur par défaut: None

Description à associer à l’exécution du profilage.

Type de retour

register

Inscrire un modèle avec l’espace de travail fourni.

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)

Paramètres

workspace
Workspace

Espace de travail avec lequel inscrire le modèle.

model_path
<xref:str>

Chemin d’accès sur le système de fichiers local où se trouvent les ressources du modèle. Il peut s’agir d’un pointeur direct vers un fichier ou dossier unique. Si vous pointez sur un dossier, le child_paths paramètre peut être utilisé pour spécifier des fichiers individuels à regrouper en tant qu’objet de modèle, au lieu d’utiliser tout le contenu du dossier.

model_name
<xref:str>

Nom avec lequel enregistrer le modèle.

tags
<xref:dict>(<xref:{str : str}>)
valeur par défaut: None

Dictionnaire facultatif de balises de valeur de clé à assigner au modèle.

properties
<xref:dict>(<xref:{str : str}>)
valeur par défaut: None

Dictionnaire facultatif des propriétés de valeur de clé à assigner au modèle. Ces propriétés ne peuvent pas être modifiées après la création du modèle, toutefois, de nouvelles paires clé/valeur peuvent être ajoutées.

description
<xref:str>
valeur par défaut: None

Description textuelle du modèle.

datasets
list[(<xref:str>, AbstractDataset)]
valeur par défaut: None

Liste de tuples où le premier élément décrit la relation DataSet-Model et le deuxième élément est le DataSet.

model_framework
<xref:str>
valeur par défaut: None

Infrastructure du modèle inscrit. L’utilisation des constantes prises en charge par le système à partir de la Framework classe permet un déploiement simplifié pour certaines infrastructures populaires.

model_framework_version
<xref:str>
valeur par défaut: None

Version du Framework du modèle inscrit.

child_paths
list[<xref:str>]
valeur par défaut: None

S’il est fourni conjointement avec un model_path à un dossier, seuls les fichiers spécifiés sont regroupés dans l’objet de modèle.

sample_input_dataset
AbstractDataset
valeur par défaut: None

Exemple de jeu de données d’entrée pour le modèle inscrit.

sample_output_dataset
AbstractDataset
valeur par défaut: None

Exemple de jeu de données de sortie pour le modèle inscrit.

resource_configuration
ResourceConfiguration
valeur par défaut: None

Configuration de ressource pour exécuter le modèle inscrit.

Retours

Objet de modèle inscrit.

Type de retour

Remarques

Outre le contenu du fichier de modèle lui-même, un modèle inscrit stocke également les métadonnées de modèle, y compris la description du modèle, les balises et les informations de l’infrastructure, qui sont utiles lors de la gestion et du déploiement du modèle dans votre espace de travail. Par exemple, avec des balises, vous pouvez catégoriser vos modèles et appliquer des filtres lorsque vous répertoriez les modèles dans votre espace de travail.

L’exemple suivant montre comment inscrire un modèle en spécifiant des balises et une description.


   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)

L’exemple complet est disponible dans https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/deployment/deploy-to-local/register-model-deploy-local-advanced.ipynb

Si vous avez un modèle qui a été généré à la suite d’une exécution d’expérimentation, vous pouvez l’inscrire directement à partir d’un objet d’exécution sans le télécharger d’abord dans un fichier local. Pour ce faire, utilisez la register_model méthode comme indiqué dans la Run classe.

remove_tags

Supprimez les clés spécifiées du dictionnaire de balises de ce modèle.

remove_tags(tags)

Paramètres

tags
list[<xref:str>]

Liste des clés à supprimer

serialize

Convertissez ce modèle en dictionnaire JSON sérialisé.

serialize()

Retours

Représentation JSON de ce modèle

Type de retour

<xref:dict>

update

Effectuez une mise à jour sur place du modèle.

Les valeurs existantes des paramètres spécifiés sont remplacées.

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

Paramètres

tags
<xref:dict>(<xref:{str : str}>)
valeur par défaut: None

Dictionnaire de balises avec lesquelles mettre à jour le modèle. Ces balises remplacent les balises existantes pour le modèle.

description
<xref:str>
valeur par défaut: None

Nouvelle description à utiliser pour le modèle. Ce nom remplace le nom existant.

sample_input_dataset
AbstractDataset
valeur par défaut: None

Exemple de jeu de données d’entrée à utiliser pour le modèle inscrit. Cet exemple de jeu de données d’entrée remplace le DataSet existant.

sample_output_dataset
AbstractDataset
valeur par défaut: None

Exemple de jeu de données de sortie à utiliser pour le modèle inscrit. Cet exemple de jeu de données de sortie remplace le DataSet existant.

resource_configuration
ResourceConfiguration
valeur par défaut: None

Configuration de ressource à utiliser pour exécuter le modèle inscrit.

Exceptions

update_tags_properties

Effectuez une mise à jour des balises et des propriétés du modèle.

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

Paramètres

add_tags
<xref:dict>(<xref:{str : str}>)
valeur par défaut: None

Dictionnaire de balises à ajouter.

remove_tags
list[<xref:str>]
valeur par défaut: None

Liste des noms de balises à supprimer.

add_properties
<xref:dict>(<xref:{str : str}>)
valeur par défaut: None

Dictionnaire de propriétés à ajouter.

Exceptions