Model Klas

Hiermee wordt het resultaat van machine learning training aangeduid.

Een model is het resultaat van een Azure machine learning-training Run of een ander model trainings proces buiten Azure. Ongeacht hoe het model wordt gemaakt, kan het worden geregistreerd in een werk ruimte, waar het wordt vertegenwoordigd door een naam en een versie. Met de model klasse kunt u modellen Inpakken voor gebruik met docker en deze implementeren als een realtime-eind punt dat kan worden gebruikt voor aanvragen voor inpakken.

Voor een end-to-end-zelf studie waarin wordt getoond hoe modellen worden gemaakt, beheerd en verbruikt, raadpleegt u het classificatie Model Train installatie kopie met MNIST data en scikit-informatie met behulp van Azure machine learning.

Overname
builtins.object
Model

Constructor

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

Parameters

workspace
Workspace

Het werkruimte object met het model dat moet worden opgehaald.

name
<xref:str>

De naam van het model dat moet worden opgehaald. Het meest recente model met de opgegeven naam wordt geretourneerd als dit bestaat.

id
<xref:str>

De ID van het model dat moet worden opgehaald. Het model met de opgegeven ID wordt geretourneerd als dit bestaat.

tags
list

Een optionele lijst met tags die worden gebruikt voor het filteren van geretourneerde resultaten. Resultaten worden gefilterd op basis van de geleverde lijst, zoeken op ' sleutel ' of ' [sleutel, waarde] '. Bijvoorbeeld [' key ', [' Key2 ', ' Key2-waarde ']]

properties
list

Een optionele lijst met eigenschappen die wordt gebruikt om geretourneerde resultaten te filteren. Resultaten worden gefilterd op basis van de geleverde lijst, zoeken op ' sleutel ' of ' [sleutel, waarde] '. Bijvoorbeeld [' key ', [' Key2 ', ' Key2-waarde ']]

version
<xref:int>

De model versie die moet worden geretourneerd. Wanneer name u de para meter opgeeft, wordt de specifieke versie van het opgegeven benoemde model geretourneerd als deze bestaat. Als version wordt wegge laten, wordt de laatste versie van het model geretourneerd.

run_id
<xref:str>

Optionele ID die wordt gebruikt om geretourneerde resultaten te filteren.

model_framework
<xref:str>

Optionele raamwerk naam die wordt gebruikt voor het filteren van geretourneerde resultaten. Indien opgegeven, worden er resultaten geretourneerd voor de modellen die overeenkomen met het opgegeven Framework. Zie Framework voor toegestane waarden.

Opmerkingen

De model-constructor wordt gebruikt voor het ophalen van een Cloud weergave van een model object dat is gekoppeld aan de opgegeven werk ruimte. Ten minste de naam of ID moet worden gegeven om modellen op te halen, maar er zijn ook andere opties voor het filteren, zoals Tags, eigenschappen, versie, run-ID en Framework.


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

In het volgende voor beeld ziet u hoe u een specifieke versie van een model kunt ophalen.


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

Bij het registreren van een model maakt u een logische container voor een of meer bestanden waaruit het model is opgebouwd. Naast de inhoud van het model bestand zelf, slaat een geregistreerd model ook meta gegevens van model op, met inbegrip van model beschrijving, tags en Framework-informatie, die handig is bij het beheren en implementeren van het model in uw werk ruimte. Met tags kunt u bijvoorbeeld uw modellen categoriseren en filters toep assen wanneer de modellen in uw werk ruimte worden weer gegeven. Na de registratie kunt u het geregistreerde model downloaden of implementeren en alle bestanden en meta gegevens ontvangen die zijn geregistreerd.

In het volgende voor beeld ziet u hoe u een model registreert waarmee labels en een beschrijving worden opgegeven.


   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)

Volledig voor beeld is beschikbaar vanaf https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/deployment/deploy-to-local/register-model-deploy-local-advanced.ipynb

In het volgende voor beeld ziet u hoe u een model registreert waarin Framework-, invoer-en uitvoer gegevens sets worden opgegeven en de resource configuratie.


   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)

Volledig voor beeld is beschikbaar vanaf https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/deployment/deploy-to-cloud/model-register-and-deploy.ipynb

De sectie variabelen bevat een lijst met kenmerken van een lokale representatie van het object Cloud model. Deze variabelen moeten worden beschouwd als alleen-lezen. Het wijzigen van hun waarden wordt niet weer gegeven in het bijbehorende Cloud object.

Variabelen

created_by
<xref:dict>

De gebruiker die het model heeft gemaakt.

created_time
<xref:datetime.datetime>

Wanneer het model is gemaakt.

azureml.core.Model.description

Een beschrijving van het model object.

azureml.core.Model.id

De model-ID. Dit heeft de vorm van < model naam > : < model versie > .

mime_type
<xref:str>

Het MIME-model type.

azureml.core.Model.name

De naam van het model.

model_framework
<xref:str>

Het raam werk van het model.

model_framework_version
<xref:str>

De Framework versie van het model.

azureml.core.Model.tags

Een woorden lijst met tags voor het model object.

azureml.core.Model.properties

Woorden lijst met de eigenschappen van de sleutel waarde voor het model. Deze eigenschappen kunnen niet worden gewijzigd na de registratie. er kunnen echter nieuwe sleutel waardeparen worden toegevoegd.

unpack
<xref:bool>

Hiermee wordt aangegeven of het model moet worden uitgepakt (untarred) wanneer het wordt opgehaald naar een lokale context.

url
<xref:str>

De URL-locatie van het model.

azureml.core.Model.version

De versie van het model.

azureml.core.Model.workspace

De werk ruimte die het model bevat.

azureml.core.Model.experiment_name

De naam van het experiment waarmee het model is gemaakt.

azureml.core.Model.run_id

De ID van de uitvoering waarmee het model is gemaakt.

parent_id
<xref:str>

De ID van het bovenliggende model van het model.

derived_model_ids
list[<xref:str>]

Een lijst met model-Id's die zijn afgeleid van dit model.

resource_configuration
ResourceConfiguration

De ResourceConfiguration voor dit model. Gebruikt voor profile ring.

Methoden

add_dataset_references

Koppel de gegeven gegevens sets aan dit model.

add_properties

Voeg sleutel waardeparen toe aan de eigenschappen woordenlijst van dit model.

add_tags

Voeg sleutel waardeparen toe aan de woorden lijst Tags van dit model.

delete

Dit model verwijderen uit de bijbehorende werk ruimte.

deploy

Implementeer een webservice van nul of meer Model objecten.

De resulterende webservice is een real-time eind punt dat kan worden gebruikt voor aanvragen voor ingrijpen. De deploy functie model is vergelijkbaar met de deploy functie van de Webservice -klasse, maar registreert de modellen niet. Gebruik de deploy functie model als u model objecten hebt die al zijn geregistreerd.

deserialize

Converteer een JSON-object naar een model object.

De conversie mislukt als de opgegeven werk ruimte niet de werk ruimte is waarin het model is geregistreerd.

download

Down load het model naar de doelmap van het lokale bestands systeem.

get_model_path

Het pad naar het model retour neren.

De functie zoekt naar het model op de volgende locaties.

Als version is geen:

  1. Downloaden van extern naar cache (als er een werk ruimte is meegeleverd)
  2. Laden uit cache van azureml-modellen/$MODEL _NAME/$LATEST _VERSION/
  3. ./$MODEL _NAME

Als version is niet geen:

  1. Laden uit cache van azureml-modellen/$MODEL _NAME/$SPECIFIED _VERSION/
  2. Downloaden van extern naar cache (als er een werk ruimte is meegeleverd)
get_sas_urls

Retourneert een woorden lijst met sleutel-waardeparen met bestands namen en bijbehorende SAS-Url's.

list

Haal een lijst op met alle modellen die zijn gekoppeld aan de beschik bare werk ruimte, met optionele filters.

package

Maak een model pakket in de vorm van een docker-installatie kopie of Dockerfile-context voor samen stellen.

print_configuration

De gebruikers configuratie afdrukken.

profile

Profileert het model om aanbevelingen voor de resource vereisten op te halen.

Dit is een langlopende bewerking die tot wel 25 minuten kan duren, afhankelijk van de grootte van de gegevensset.

register

Registreer een model met de beschik bare werk ruimte.

remove_tags

Verwijder de opgegeven sleutels uit de woorden lijst Tags van dit model.

serialize

Dit model converteren naar een JSON-dictionary met serie nummer.

update

Voer een in-place update van het model uit.

Bestaande waarden van de opgegeven para meters worden vervangen.

update_tags_properties

Een update van de tags en eigenschappen van het model uitvoeren.

add_dataset_references

Koppel de gegeven gegevens sets aan dit model.

add_dataset_references(datasets)

Parameters

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

Een lijst met Tuples die een koppeling van het gegevensset-doel naar het object dataset vertegenwoordigen.

add_properties

Voeg sleutel waardeparen toe aan de eigenschappen woordenlijst van dit model.

add_properties(properties)

Parameters

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

De woorden lijst die moet worden toegevoegd.

add_tags

Voeg sleutel waardeparen toe aan de woorden lijst Tags van dit model.

add_tags(tags)

Parameters

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

De woorden lijst met tags die moeten worden toegevoegd.

Uitzonderingen

delete

Dit model verwijderen uit de bijbehorende werk ruimte.

delete()

deploy

Implementeer een webservice van nul of meer Model objecten.

De resulterende webservice is een real-time eind punt dat kan worden gebruikt voor aanvragen voor ingrijpen. De deploy functie model is vergelijkbaar met de deploy functie van de Webservice -klasse, maar registreert de modellen niet. Gebruik de deploy functie model als u model objecten hebt die al zijn geregistreerd.

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

Parameters

workspace
Workspace

Een werkruimte object waaraan de webservice moet worden gekoppeld.

name
<xref:str>

De naam waarmee de geïmplementeerde service wordt verstrekt. Moet uniek zijn voor de werk ruimte, alleen bestaan uit kleine letters, cijfers of streepjes, beginnen met een letter en moeten tussen de 3 en 32 tekens lang zijn.

models
list[Model]

Een lijst met model objecten. Dit kan een lege lijst zijn.

inference_config
InferenceConfig
standaardwaarde: None

Een InferenceConfig-object dat wordt gebruikt om de vereiste model eigenschappen te bepalen.

deployment_config
WebserviceDeploymentConfiguration
standaardwaarde: None

Een WebserviceDeploymentConfiguration die wordt gebruikt voor het configureren van de webservice. Als er geen is opgegeven, wordt er een leeg configuratie object gebruikt op basis van het gewenste doel.

deployment_target
ComputeTarget
standaardwaarde: None

A ComputeTarget om de webservice te implementeren in. Als Azure Container Instances niet is gekoppeld ComputeTarget , verlaat u deze para meter als geen om te implementeren in azure container instances.

overwrite
<xref:bool>
standaardwaarde: False

Hiermee wordt aangegeven of de bestaande service moet worden overschreven als er al een service met de opgegeven naam bestaat.

show_output
<xref:bool>
standaardwaarde: False

Hiermee wordt aangegeven of de voortgang van de service-implementatie moet worden weer gegeven.

Retouren

Een webservice-object dat overeenkomt met de geïmplementeerde webservice.

Retourtype

Uitzonderingen

deserialize

Converteer een JSON-object naar een model object.

De conversie mislukt als de opgegeven werk ruimte niet de werk ruimte is waarin het model is geregistreerd.

deserialize(workspace, model_payload)

Parameters

workspace
Workspace

Het werkruimte object waarin het model is geregistreerd.

model_payload
<xref:dict>

Een JSON-object dat moet worden geconverteerd naar een model object.

Retouren

De model weergave van het gegeven JSON-object.

Retourtype

download

Down load het model naar de doelmap van het lokale bestands systeem.

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

Parameters

target_dir
<xref:str>
standaardwaarde: .

Het pad naar een map waarin het model moet worden gedownload. Wordt standaard ingesteld op '. '

exist_ok
<xref:bool>
standaardwaarde: False

Hiermee wordt aangegeven of gedownloade map/bestanden moeten worden vervangen als deze bestaan. Standaard ingesteld op False.

exists_ok
<xref:bool>
standaardwaarde: None

Keur. Gebruik exist_ok.

Retouren

Het pad naar het bestand of de map van het model.

Retourtype

<xref:str>

get_model_path

Het pad naar het model retour neren.

De functie zoekt naar het model op de volgende locaties.

Als version is geen:

  1. Downloaden van extern naar cache (als er een werk ruimte is meegeleverd)
  2. Laden uit cache van azureml-modellen/$MODEL _NAME/$LATEST _VERSION/
  3. ./$MODEL _NAME

Als version is niet geen:

  1. Laden uit cache van azureml-modellen/$MODEL _NAME/$SPECIFIED _VERSION/
  2. Downloaden van extern naar cache (als er een werk ruimte is meegeleverd)
get_model_path(model_name, version=None, _workspace=None)

Parameters

model_name
<xref:str>

De naam van het model dat moet worden opgehaald.

version
<xref:int>
standaardwaarde: None

De versie van het model dat moet worden opgehaald. Wordt standaard ingesteld op de meest recente versie.

_workspace
Workspace
standaardwaarde: None

De werk ruimte waaruit een model moet worden opgehaald. Kan niet op afstand worden gebruikt. Als niet opgegeven alleen lokale cache wordt doorzocht.

Retouren

Het pad op schijf naar het model.

Retourtype

<xref:str>

Uitzonderingen

get_sas_urls

Retourneert een woorden lijst met sleutel-waardeparen met bestands namen en bijbehorende SAS-Url's.

get_sas_urls()

Retouren

Woorden lijst met sleutel-waardeparen met bestands namen en bijbehorende SAS-Url's

Retourtype

<xref:dict>

list

Haal een lijst op met alle modellen die zijn gekoppeld aan de beschik bare werk ruimte, met optionele filters.

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

Parameters

workspace
Workspace

Het werkruimte object waaruit modellen moeten worden opgehaald.

name
<xref:str>
standaardwaarde: None

Indien opgegeven, worden alleen modellen geretourneerd met de opgegeven naam, indien van toepassing.

tags
list
standaardwaarde: None

Er wordt gefilterd op basis van de vermelde lijst, hetzij ' sleutel ' of ' [sleutel, waarde] '. Bijvoorbeeld [' key ', [' Key2 ', ' Key2-waarde ']]

properties
list
standaardwaarde: None

Er wordt gefilterd op basis van de vermelde lijst, hetzij ' sleutel ' of ' [sleutel, waarde] '. Bijvoorbeeld [' key ', [' Key2 ', ' Key2-waarde ']]

run_id
<xref:str>
standaardwaarde: None

Wordt gefilterd op basis van de gegeven run-ID.

latest
<xref:bool>
standaardwaarde: False

Indien waar, worden alleen modellen geretourneerd met de meest recente versie.

dataset_id
<xref:str>
standaardwaarde: None

Wordt gefilterd op basis van de ID van de ingevoerde gegevensset.

expand
<xref:bool>
standaardwaarde: True

Indien true, worden modellen geretourneerd met alle subeigenschappen, zoals run, dataset en experimenten. Als deze optie is ingesteld op False, wordt de methode voor het volt ooien van de lijst () sneller in het geval van veel modellen.

page_count
<xref:int>
standaardwaarde: 255

Het aantal items dat op een pagina moet worden opgehaald. Momenteel ondersteunen waarden tot 255. De standaard waarde is 255.

model_framework
<xref:str>
standaardwaarde: None

Indien opgegeven, worden alleen modellen geretourneerd met het opgegeven Framework, indien van toepassing.

Retouren

Een lijst met modellen, eventueel gefilterd.

Retourtype

Uitzonderingen

package

Maak een model pakket in de vorm van een docker-installatie kopie of Dockerfile-context voor samen stellen.

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

Parameters

workspace
Workspace

De werk ruimte waarin u het pakket wilt maken.

models
list[Model]

Een lijst met model objecten die u wilt opnemen in het pakket. Dit kan een lege lijst zijn.

inference_config
InferenceConfig
standaardwaarde: None

Een InferenceConfig-object voor het configureren van de werking van de modellen. Dit moet een omgevings object bevatten.

generate_dockerfile
<xref:bool>
standaardwaarde: False

Hiermee wordt aangegeven of u een Dockerfile wilt maken die lokaal kan worden uitgevoerd in plaats van een installatie kopie te bouwen.

image_name
<xref:str>
standaardwaarde: None

Bij het maken van een installatie kopie is dit de naam voor de resulterende afbeelding.

image_label
<xref:str>
standaardwaarde: None

Bij het maken van een installatie kopie, het label voor de resulterende afbeelding.

Retouren

Een ModelPackage-object.

Retourtype

De gebruikers configuratie afdrukken.

print_configuration(models, inference_config, deployment_config, deployment_target)

Parameters

models
list[Model]

Een lijst met model objecten. Dit kan een lege lijst zijn.

inference_config
InferenceConfig

Een InferenceConfig-object dat wordt gebruikt om de vereiste model eigenschappen te bepalen.

deployment_config
WebserviceDeploymentConfiguration

Een WebserviceDeploymentConfiguration die wordt gebruikt voor het configureren van de webservice.

deployment_target
ComputeTarget

A ComputeTarget om de webservice te implementeren in.

profile

Profileert het model om aanbevelingen voor de resource vereisten op te halen.

Dit is een langlopende bewerking die tot wel 25 minuten kan duren, afhankelijk van de grootte van de gegevensset.

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

Parameters

workspace
Workspace

Een werkruimte object waarin het model moet worden profield.

profile_name
<xref:str>

De naam van de profilerings uitvoering.

models
list[Model]

Een lijst met model objecten. Dit kan een lege lijst zijn.

inference_config
InferenceConfig

Een InferenceConfig-object dat wordt gebruikt om de vereiste model eigenschappen te bepalen.

input_dataset
Dataset

De invoer gegevensset voor profile ring. De invoer gegevensset moet één kolom bevatten en voorbeeld invoer moet de teken reeks indeling hebben.

cpu
<xref:float>
standaardwaarde: None

Het aantal CPU-kernen dat moet worden gebruikt voor het grootste test exemplaar. Momenteel ondersteunen waarden tot 3,5.

memory_in_gb
<xref:float>
standaardwaarde: None

De hoeveelheid geheugen (in GB) die moet worden gebruikt voor het grootste test exemplaar. Dit kan een decimaal zijn. Momenteel ondersteunen waarden tot 15,0.

description
<xref:str>
standaardwaarde: None

De beschrijving die moet worden gekoppeld aan de profilerings uitvoering.

Retourtype

register

Registreer een model met de beschik bare werk ruimte.

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)

Parameters

workspace
Workspace

De werk ruimte waarin het model moet worden geregistreerd.

model_path
<xref:str>

Het pad naar het lokale bestands systeem waar de model assets zich bevinden. Dit kan een directe verwijzing naar één bestand of map zijn. Als u een map aanwijst, child_paths kan de para meter worden gebruikt om afzonderlijke bestanden op te geven die samen worden gebundeld als het model object, in tegens telling tot het gebruik van de volledige inhoud van de map.

model_name
<xref:str>

De naam waarmee het model moet worden geregistreerd.

tags
<xref:dict>(<xref:{str : str}>)
standaardwaarde: None

Een optionele woorden lijst met tags voor sleutel waarden die aan het model moeten worden toegewezen.

properties
<xref:dict>(<xref:{str : str}>)
standaardwaarde: None

Een optionele woorden lijst met sleutel waarde-eigenschappen die aan het model moeten worden toegewezen. Deze eigenschappen kunnen niet worden gewijzigd nadat het model is gemaakt, maar u kunt wel nieuwe sleutel waardeparen toevoegen.

description
<xref:str>
standaardwaarde: None

Een tekst beschrijving van het model.

datasets
list[(<xref:str>, AbstractDataset)]
standaardwaarde: None

Een lijst met Tuples waarbij het eerste element de relatie gegevensset-model beschrijft en het tweede element de gegevensset is.

model_framework
<xref:str>
standaardwaarde: None

Het Framework van het geregistreerde model. Door gebruik te maken van de door het systeem ondersteunde constanten van de klasse, is Framework een vereenvoudigde implementatie voor een aantal populaire Frameworks mogelijk.

model_framework_version
<xref:str>
standaardwaarde: None

De Framework-versie van het geregistreerde model.

child_paths
list[<xref:str>]
standaardwaarde: None

Als dit in combi natie met een model_path aan een map wordt opgegeven, worden alleen de opgegeven bestanden gebundeld in het model object.

sample_input_dataset
AbstractDataset
standaardwaarde: None

Voorbeeld invoer gegevensset voor het geregistreerde model.

sample_output_dataset
AbstractDataset
standaardwaarde: None

Voorbeeld uitvoer gegevensset voor het geregistreerde model.

resource_configuration
ResourceConfiguration
standaardwaarde: None

Een resource configuratie om het geregistreerde model uit te voeren.

Retouren

Het geregistreerde model object.

Retourtype

Opmerkingen

Naast de inhoud van het model bestand zelf, slaat een geregistreerd model ook meta gegevens van model op, met inbegrip van model beschrijving, tags en Framework-informatie, die handig is bij het beheren en implementeren van het model in uw werk ruimte. Met tags kunt u bijvoorbeeld uw modellen categoriseren en filters toep assen wanneer de modellen in uw werk ruimte worden weer gegeven.

In het volgende voor beeld ziet u hoe u een model registreert waarmee labels en een beschrijving worden opgegeven.


   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)

Volledig voor beeld is beschikbaar vanaf https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/deployment/deploy-to-local/register-model-deploy-local-advanced.ipynb

Als u een model hebt dat is geproduceerd als gevolg van een experiment, kunt u dit rechtstreeks vanuit een run-object registreren zonder het eerst naar een lokaal bestand te downloaden. Hiervoor moet u de-methode gebruiken register_model zoals beschreven in de Run klasse.

remove_tags

Verwijder de opgegeven sleutels uit de woorden lijst Tags van dit model.

remove_tags(tags)

Parameters

tags
list[<xref:str>]

De lijst met sleutels die moeten worden verwijderd

serialize

Dit model converteren naar een JSON-dictionary met serie nummer.

serialize()

Retouren

De JSON-weer gave van dit model

Retourtype

<xref:dict>

update

Voer een in-place update van het model uit.

Bestaande waarden van de opgegeven para meters worden vervangen.

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

Parameters

tags
<xref:dict>(<xref:{str : str}>)
standaardwaarde: None

Een woorden lijst met tags waarmee het model moet worden bijgewerkt. Deze tags vervangen bestaande tags voor het model.

description
<xref:str>
standaardwaarde: None

De nieuwe beschrijving die moet worden gebruikt voor het model. Deze naam vervangt de bestaande naam.

sample_input_dataset
AbstractDataset
standaardwaarde: None

De voorbeeld invoer gegevensset die voor het geregistreerde model moet worden gebruikt. In deze voor beeld-gegevensset wordt de bestaande gegevensset vervangen.

sample_output_dataset
AbstractDataset
standaardwaarde: None

De voorbeeld uitvoer gegevensset die moet worden gebruikt voor het geregistreerde model. In deze voorbeeld gegevensset voor uitvoer wordt de bestaande gegevensset vervangen.

resource_configuration
ResourceConfiguration
standaardwaarde: None

De resource configuratie die moet worden gebruikt om het geregistreerde model uit te voeren.

Uitzonderingen

update_tags_properties

Een update van de tags en eigenschappen van het model uitvoeren.

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

Parameters

add_tags
<xref:dict>(<xref:{str : str}>)
standaardwaarde: None

Een woorden lijst met tags die moeten worden toegevoegd.

remove_tags
list[<xref:str>]
standaardwaarde: None

Een lijst met label namen die moeten worden verwijderd.

add_properties
<xref:dict>(<xref:{str : str}>)
standaardwaarde: None

Een woorden lijst met eigenschappen die moeten worden toegevoegd.

Uitzonderingen