Model Klass

  • Referens

Representerar resultatet av maskininlärningsträning.

En modell är resultatet av en Azure Machine Learning-träning Run eller någon annan modellträningsprocess utanför Azure. Oavsett hur modellen skapas kan den registreras på en arbetsyta, där den representeras av ett namn och en version. Med modellklassen kan du paketera modeller för användning med Docker och distribuera dem som en realtidsslutpunkt som kan användas för slutsatsdragningsbegäranden.

En självstudie från slutpunkt till slutpunkt som visar hur modeller skapas, hanteras och används finns i Träna bildklassificeringsmodell med MNIST-data och scikit-learn med Azure Machine Learning.

Modellkonstruktor.

Modellkonstruktorn används för att hämta en molnrepresentation av ett modellobjekt som är associerat med den angivna arbetsytan. Måste ange antingen namn eller ID.

Arv
builtins.object
Model

Konstruktor

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

Parametrar

Name Description
workspace
Obligatorisk
Workspace

Arbetsyteobjektet som innehåller modellen som ska hämtas.
name
str

Namnet på den modell som ska hämtas. Den senaste modellen med det angivna namnet returneras, om den finns.

standardvärde: None
id
str

ID:t för modellen som ska hämtas. Modellen med det angivna ID:t returneras om den finns.

standardvärde: None
tags
list

En valfri lista över taggar som används för att filtrera returnerade resultat. Resultaten filtreras baserat på den angivna listan och söker efter antingen "nyckel" eller "[nyckel, värde]". t.ex. ['key', ['key2', 'key2 value']]

standardvärde: None
properties
list

En valfri lista över egenskaper som används för att filtrera returnerade resultat. Resultaten filtreras baserat på den angivna listan och söker efter antingen "nyckel" eller "[nyckel, värde]". t.ex. ['key', ['key2', 'key2 value']]

standardvärde: None
version
int

Modellversionen som ska returneras. När den tillhandahålls tillsammans med parametern name returneras den specifika versionen av den angivna namngivna modellen, om den finns. Om version utelämnas returneras den senaste versionen av modellen.

standardvärde: None
run_id
str

Valfritt ID som används för att filtrera returnerade resultat.

standardvärde: None
model_framework
str

Valfritt ramverksnamn som används för att filtrera returnerade resultat. Om det anges returneras resultat för de modeller som matchar det angivna ramverket. Se Framework för tillåtna värden.

standardvärde: None
workspace
Obligatorisk
Workspace

Arbetsyteobjektet som innehåller modellen som ska hämtas.
name
Obligatorisk
str

Namnet på den modell som ska hämtas. Den senaste modellen med det angivna namnet returneras, om den finns.
id
Obligatorisk
str

ID:t för modellen som ska hämtas. Modellen med det angivna ID:t returneras om den finns.
tags
Obligatorisk
list

En valfri lista över taggar som används för att filtrera returnerade resultat. Resultaten filtreras baserat på den angivna listan och söker efter antingen "nyckel" eller "[nyckel, värde]". t.ex. ['key', ['key2', 'key2 value']]
properties
Obligatorisk
list

En valfri lista över egenskaper som används för att filtrera returnerade resultat. Resultaten filtreras baserat på den angivna listan och söker efter antingen "nyckel" eller "[nyckel, värde]". t.ex. ['key', ['key2', 'key2 value']]
version
Obligatorisk
int

Modellversionen som ska returneras. När den tillhandahålls tillsammans med parametern name returneras den specifika versionen av den angivna namngivna modellen, om den finns. Om version utelämnas returneras den senaste versionen av modellen.
run_id
Obligatorisk
str

Valfritt ID som används för att filtrera returnerade resultat.
model_framework
Obligatorisk
str

Valfritt ramverksnamn som används för att filtrera returnerade resultat. Om det anges returneras resultat för de modeller som matchar det angivna ramverket. Se Framework för tillåtna värden.
expand
bool

Om det är sant returneras modeller med alla underegenskaper ifyllda, t.ex. körning, datauppsättning och experiment.

standardvärde: True

Kommentarer

Modellkonstruktorn används för att hämta en molnrepresentation av ett modellobjekt som är associerat med den angivna arbetsytan. Minst namn eller ID måste anges för att hämta modeller, men det finns även andra alternativ för filtrering, inklusive efter taggar, egenskaper, version, körnings-ID och ramverk.


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

Följande exempel visar hur du hämtar en specifik version av en modell.


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

När du registrerar en modell skapas en logisk container för en eller flera filer som utgör din modell. Förutom innehållet i själva modellfilen lagrar en registrerad modell även modellmetadata, inklusive modellbeskrivning, taggar och ramverksinformation, som är användbara när du hanterar och distribuerar modellen på din arbetsyta. Med taggar kan du till exempel kategorisera dina modeller och använda filter när du listar modeller på din arbetsyta. Efter registreringen kan du ladda ned eller distribuera den registrerade modellen och ta emot alla filer och metadata som har registrerats.

Följande exempel visar hur du registrerar en modell som anger taggar och en beskrivning.


   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)

Fullständigt exempel är tillgängligt från https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/deployment/deploy-to-local/register-model-deploy-local-advanced.ipynb

Följande exempel visar hur du registrerar en modell som anger ramverk, indata- och utdatauppsättningar och resurskonfiguration.


   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)

Avsnittet Variabler listar attribut för en lokal representation av molnmodellobjektet. Dessa variabler bör betraktas som skrivskyddade. Att ändra deras värden återspeglas inte i motsvarande molnobjekt.

Variabler

Name Description
created_by
dict

Den användare som skapade modellen.
created_time
datetime

När modellen skapades.
azureml.core.Model.description

En beskrivning av modellobjektet.
azureml.core.Model.id

Modell-ID: t. Detta har formatet <modellnamn>:<modellversion>.
mime_type
str

Mime-modelltypen.
azureml.core.Model.name

Namnet på modellen.
model_framework
str

Modellens ramverk.
model_framework_version
str

Ramverksversionen av modellen.
azureml.core.Model.tags

En ordlista med taggar för modellobjektet.
azureml.core.Model.properties

Ordlista med nyckelvärdesegenskaper för modellen. Dessa egenskaper kan inte ändras efter registreringen, men nya nyckel/värde-par kan läggas till.
unpack
bool

Om modellen måste packas upp (utan omars) när den hämtas till en lokal kontext eller inte.
url
str

Url-platsen för modellen.
azureml.core.Model.version

Versionen av modellen.
azureml.core.Model.workspace

Arbetsytan som innehåller modellen.
azureml.core.Model.experiment_name

Namnet på experimentet som skapade modellen.
azureml.core.Model.run_id

ID:t för körningen som skapade modellen.
parent_id
str

ID för den överordnade modellen för modellen.
derived_model_ids
list[str]

En lista över modell-ID:t som har härletts från den här modellen.
resource_configuration
ResourceConfiguration

ResourceConfiguration för den här modellen. Används för profilering.

Metoder

add_dataset_references

Associera de angivna datauppsättningarna med den här modellen.
add_properties

Lägg till nyckel/värde-par i modellens egenskapsordlista.
add_tags

Lägg till nyckelvärdepar i taggarnas ordlista för den här modellen.
delete

Ta bort den här modellen från dess associerade arbetsyta.
deploy

Distribuera en webbtjänst från noll eller flera Model objekt.

Den resulterande webbtjänsten är en realtidsslutpunkt som kan användas för slutsatsdragningsbegäranden. Modellfunktionen deploy liknar funktionen i deployWebservice klassen, men registrerar inte modellerna. Använd funktionen Modell deploy om du har modellobjekt som redan är registrerade.
deserialize

Konvertera ett JSON-objekt till ett modellobjekt.

Konverteringen misslyckas om den angivna arbetsytan inte är den arbetsyta som modellen är registrerad med.
download

Ladda ned modellen till målkatalogen för det lokala filsystemet.
get_model_path

Returnera sökvägen till modellen.

Funktionen söker efter modellen på följande platser.

Om version är Ingen:

  1. Ladda ned från fjärr till cache (om arbetsytan har angetts)
  2. Läs in från cache azureml-models/$MODEL_NAME/$LATEST_VERSION/
  3. ./$MODEL_NAME

Om version inte är Ingen:

  1. Läs in från cache azureml-models/$MODEL_NAME/$SPECIFIED_VERSION/
  2. Ladda ned från fjärr till cache (om arbetsytan har angetts)
get_sas_urls

Returnera en ordlista med nyckel/värde-par som innehåller filnamn och motsvarande SAS-URL:er.
list

Hämta en lista över alla modeller som är associerade med den angivna arbetsytan med valfria filter.
package

Skapa ett modellpaket i form av en Docker-avbildning eller Dockerfile-kompileringskontext.
print_configuration

Skriv ut användarkonfigurationen.
profile

Profilerar modellen för att få rekommendationer om resurskrav.

Det här är en tidskrävande åtgärd som kan ta upp till 25 minuter beroende på datauppsättningens storlek.
register

Registrera en modell med den angivna arbetsytan.
remove_tags

Ta bort de angivna nycklarna från ordlistan taggar för den här modellen.
serialize

Konvertera den här modellen till en json-serialiserad ordlista.
update

Utför en uppdatering på plats av modellen.

Befintliga värden för angivna parametrar ersätts.
update_tags_properties

Utför en uppdatering av taggarna och egenskaperna för modellen.

add_dataset_references

Associera de angivna datauppsättningarna med den här modellen.

add_dataset_references(datasets)

Parametrar

Name Description
datasets
Obligatorisk
list[tuple(<xref:str :> (Dataset eller DatasetSnapshot))]

En lista över tupplar som representerar en parkoppling av datauppsättningssyftet med datauppsättningsobjektet.

Undantag

Typ Description
WebserviceException

add_properties

Lägg till nyckel/värde-par i modellens egenskapsordlista.

add_properties(properties)

Parametrar

Name Description
properties
Obligatorisk
dict(<xref:str : str>)

Ordlistan med egenskaper som ska läggas till.

Undantag

Typ Description
WebserviceException

add_tags

Lägg till nyckelvärdepar i taggarnas ordlista för den här modellen.

add_tags(tags)

Parametrar

Name Description
tags
Obligatorisk
dict(<xref:{str : str}>)

Ordlistan med taggar som ska läggas till.

Undantag

Typ Description
WebserviceException

delete

Ta bort den här modellen från dess associerade arbetsyta.

delete()

Undantag

Typ Description
WebserviceException

deploy

Distribuera en webbtjänst från noll eller flera Model objekt.

Den resulterande webbtjänsten är en realtidsslutpunkt som kan användas för slutsatsdragningsbegäranden. Modellfunktionen deploy liknar funktionen i deployWebservice klassen, men registrerar inte modellerna. Använd funktionen Modell deploy om du har modellobjekt som redan är registrerade.

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

Parametrar

Name Description
workspace
Obligatorisk
Workspace

Ett arbetsyteobjekt som webbtjänsten ska associeras med.
name
Obligatorisk
str

Namnet på den distribuerade tjänsten. Måste vara unikt för arbetsytan, endast bestå av gemener, siffror eller bindestreck, börja med en bokstav och vara mellan 3 och 32 tecken långt.
models
Obligatorisk
list[Model]

En lista över modellobjekt. Kan vara en tom lista.
inference_config
InferenceConfig

Ett InferenceConfig-objekt som används för att fastställa nödvändiga modellegenskaper.

standardvärde: None
deployment_config
WebserviceDeploymentConfiguration

En WebserviceDeploymentConfiguration som används för att konfigurera webbtjänsten. Om inget anges används ett tomt konfigurationsobjekt baserat på önskat mål.

standardvärde: None
deployment_target
ComputeTarget

A ComputeTarget som webbtjänsten ska distribueras till. Eftersom Azure Container Instances inte har någon associerad ComputeTargetlämnar du den här parametern som Ingen att distribuera till Azure Container Instances.

standardvärde: None
overwrite
bool

Anger om den befintliga tjänsten ska skrivas över om det redan finns en tjänst med det angivna namnet.

standardvärde: False
show_output
bool

Anger om förloppet för tjänstdistributionen ska visas.

standardvärde: False

Returer

Typ Description
Webservice

Ett webbtjänstobjekt som motsvarar den distribuerade webbtjänsten.

Undantag

Typ Description
WebserviceException

deserialize

Konvertera ett JSON-objekt till ett modellobjekt.

Konverteringen misslyckas om den angivna arbetsytan inte är den arbetsyta som modellen är registrerad med.

static deserialize(workspace, model_payload)

Parametrar

Name Description
workspace
Obligatorisk
Workspace

Arbetsyteobjektet som modellen är registrerad med.
model_payload
Obligatorisk
dict

Ett JSON-objekt som ska konverteras till ett modellobjekt.

Returer

Typ Description
Model

Modellrepresentationen av det angivna JSON-objektet.

Undantag

Typ Description
WebserviceException

download

Ladda ned modellen till målkatalogen för det lokala filsystemet.

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

Parametrar

Name Description
target_dir
str

Sökvägen till en katalog där modellen ska laddas ned. Standardvärdet är ".".

standardvärde: .
exist_ok
bool

Anger om du vill ersätta nedladdade dir/filer om de finns. Standardvärdet är False.

standardvärde: False
exists_ok
bool

DEPRECATED. Använd exist_ok.

standardvärde: None

Returer

Typ Description
str

Sökvägen till modellens fil eller mapp.

Undantag

Typ Description
WebserviceException

get_model_path

Returnera sökvägen till modellen.

Funktionen söker efter modellen på följande platser.

Om version är Ingen:

  1. Ladda ned från fjärr till cache (om arbetsytan har angetts)
  2. Läs in från cache azureml-models/$MODEL_NAME/$LATEST_VERSION/
  3. ./$MODEL_NAME

Om version inte är Ingen:

  1. Läs in från cache azureml-models/$MODEL_NAME/$SPECIFIED_VERSION/
  2. Ladda ned från fjärr till cache (om arbetsytan har angetts)
static get_model_path(model_name, version=None, _workspace=None)

Parametrar

Name Description
model_name
Obligatorisk
str

Namnet på den modell som ska hämtas.
version
int

Den version av modellen som ska hämtas. Standardvärdet är den senaste versionen.

standardvärde: None
_workspace
Workspace

Arbetsytan som du vill hämta en modell från. Det går inte att fjärransluta. Om det inte anges genomsöks endast lokal cache.

standardvärde: None

Returer

Typ Description
str

Sökvägen på disken till modellen.

Undantag

Typ Description
ModelNotFoundException

get_sas_urls

Returnera en ordlista med nyckel/värde-par som innehåller filnamn och motsvarande SAS-URL:er.

get_sas_urls()

Returer

Typ Description
dict

Ordlista med nyckel/värde-par som innehåller filnamn och motsvarande SAS-URL:er

Undantag

Typ Description
WebserviceException

list

Hämta en lista över alla modeller som är associerade med den angivna arbetsytan med valfria filter.

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

Parametrar

Name Description
workspace
Obligatorisk
Workspace

Arbetsyteobjektet som modeller ska hämtas från.
name
str

Om detta anges returneras endast modeller med det angivna namnet, om det finns några.

standardvärde: None
tags
list

Filtrerar baserat på den angivna listan, antingen efter "nyckel" eller "[nyckel, värde]". t.ex. ['key', ['key2', 'key2 value']]

standardvärde: None
properties
list

Filtrerar baserat på den angivna listan, antingen efter "nyckel" eller "[nyckel, värde]". t.ex. ['key', ['key2', 'key2 value']]

standardvärde: None
run_id
str

Filtrerar baserat på det angivna körnings-ID:t.

standardvärde: None
latest
bool

Om det är sant returneras endast modeller med den senaste versionen.

standardvärde: False
dataset_id
str

Filtrerar baserat på angivet datauppsättnings-ID.

standardvärde: None
expand
bool

Om det är sant returneras modeller med alla underegenskaper ifyllda, t.ex. körning, datauppsättning och experiment. Om du anger falskt bör list()-metoden slutföras snabbare om det finns många modeller.

standardvärde: True
page_count
int

Antalet objekt som ska hämtas på en sida. Stöder för närvarande värden upp till 255. Standardvärdet är 255.

standardvärde: 255
model_framework
str

Om det tillhandahålls returneras endast modeller med det angivna ramverket, om det finns några.

standardvärde: None

Returer

Typ Description
list[Model]

En lista över modeller, eventuellt filtrerade.

Undantag

Typ Description
WebserviceException

package

Skapa ett modellpaket i form av en Docker-avbildning eller Dockerfile-kompileringskontext.

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

Parametrar

Name Description
workspace
Obligatorisk
Workspace

Arbetsytan där paketet ska skapas.
models
Obligatorisk
list[Model]

En lista över modellobjekt som ska ingå i paketet. Kan vara en tom lista.
inference_config
InferenceConfig

Ett InferenceConfig-objekt för att konfigurera driften av modellerna. Detta måste innehålla ett miljöobjekt.

standardvärde: None
generate_dockerfile
bool

Om du vill skapa en Dockerfile som kan köras lokalt i stället för att skapa en avbildning.

standardvärde: False
image_name
str

När du skapar en avbildning, namnet på den resulterande avbildningen.

standardvärde: None
image_label
str

När du skapar en avbildning, etiketten för den resulterande bilden.

standardvärde: None

Returer

Typ Description
ModelPackage

Ett ModelPackage-objekt.

Undantag

Typ Description
WebserviceException

print_configuration

Skriv ut användarkonfigurationen.

static print_configuration(models, inference_config, deployment_config, deployment_target)

Parametrar

Name Description
models
Obligatorisk
list[Model]

En lista över modellobjekt. Kan vara en tom lista.
inference_config
Obligatorisk
InferenceConfig

Ett InferenceConfig-objekt som används för att fastställa nödvändiga modellegenskaper.
deployment_config
Obligatorisk
WebserviceDeploymentConfiguration

En WebserviceDeploymentConfiguration som används för att konfigurera webbtjänsten.
deployment_target
Obligatorisk
ComputeTarget

A ComputeTarget som webbtjänsten ska distribueras till.

Undantag

Typ Description
WebserviceException

profile

Profilerar modellen för att få rekommendationer om resurskrav.

Det här är en tidskrävande åtgärd som kan ta upp till 25 minuter beroende på datauppsättningens storlek.

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

Parametrar

Name Description
workspace
Obligatorisk
Workspace

Ett arbetsyteobjekt som modellen ska profileras i.
profile_name
Obligatorisk
str

Namnet på profileringskörningen.
models
Obligatorisk
list[Model]

En lista över modellobjekt. Kan vara en tom lista.
inference_config
Obligatorisk
InferenceConfig

Ett InferenceConfig-objekt som används för att fastställa nödvändiga modellegenskaper.
input_dataset
Obligatorisk
Dataset

Indatauppsättningen för profilering. Indatauppsättningen ska ha en enda kolumn och exempelindata ska vara i strängformat.
cpu
float

Antalet processorkärnor som ska användas på den största testinstansen. Stöder för närvarande värden upp till 3,5.

standardvärde: None
memory_in_gb
float

Mängden minne (i GB) som ska användas på den största testinstansen. Kan vara en decimal. Stöder för närvarande värden upp till 15.0.

standardvärde: None
description
str

Beskrivning som ska associeras med profileringskörningen.

standardvärde: None

Returer

Typ Description
ModelProfile

Undantag

Typ Description
<xref:azureml.exceptions.WebserviceException>, <xref:azureml.exceptions.UserErrorException>

register

Registrera en modell med den angivna arbetsytan.

static 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)

Parametrar

Name Description
workspace
Obligatorisk
Workspace

Arbetsytan som modellen ska registreras med.
model_path
Obligatorisk
str

Sökvägen till det lokala filsystemet där modelltillgångarna finns. Detta kan vara en direkt pekare till en enda fil eller mapp. Om du pekar på en mapp kan parametern child_paths användas för att ange enskilda filer som ska paketeras som modellobjektet, i stället för att använda hela innehållet i mappen.
model_name
Obligatorisk
str

Namnet som modellen ska registreras med.
tags
dict(<xref:{str : str}>)

En valfri ordlista med nyckelvärdestaggar som ska tilldelas till modellen.

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

En valfri ordlista med nyckelvärdesegenskaper som ska tilldelas till modellen. Dessa egenskaper kan inte ändras när modellen har skapats, men nya nyckel/värde-par kan läggas till.

standardvärde: None
description
str

En textbeskrivning av modellen.

standardvärde: None
datasets
list[(str, AbstractDataset)]

En lista över tupplar där det första elementet beskriver relationen mellan datamängd och modell och det andra elementet är datauppsättningen.

standardvärde: None
model_framework
str

Ramverket för den registrerade modellen. Med hjälp av konstanter som stöds av systemet från Framework klassen kan du förenkla distributionen för vissa populära ramverk.

standardvärde: None
model_framework_version
str

Ramverksversionen av den registrerade modellen.

standardvärde: None
child_paths
list[str]

Om de tillhandahålls tillsammans med en model_path till en mapp paketeras endast de angivna filerna i modellobjektet.

standardvärde: None
sample_input_dataset
AbstractDataset

Exempel på indatauppsättning för den registrerade modellen.

standardvärde: None
sample_output_dataset
AbstractDataset

Exempel på utdatauppsättning för den registrerade modellen.

standardvärde: None
resource_configuration
ResourceConfiguration

En resurskonfiguration för att köra den registrerade modellen.

standardvärde: None

Returer

Typ Description
Model

Det registrerade modellobjektet.

Undantag

Typ Description
WebserviceException

Kommentarer

Förutom innehållet i själva modellfilen lagrar en registrerad modell även modellmetadata, inklusive modellbeskrivning, taggar och ramverksinformation, som är användbara när du hanterar och distribuerar modellen på din arbetsyta. Med taggar kan du till exempel kategorisera dina modeller och använda filter när du listar modeller på din arbetsyta.

Följande exempel visar hur du registrerar en modell som anger taggar och en beskrivning.


   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)

Fullständigt exempel är tillgängligt från https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/deployment/deploy-to-local/register-model-deploy-local-advanced.ipynb

Om du har en modell som har skapats som ett resultat av en experimentkörning kan du registrera den från ett körningsobjekt direkt utan att ladda ned den till en lokal fil först. För att göra det använder du register_model metoden enligt beskrivningen Run i klassen .

remove_tags

Ta bort de angivna nycklarna från ordlistan taggar för den här modellen.

remove_tags(tags)

Parametrar

Name Description
tags
Obligatorisk
list[str]

Listan över nycklar som ska tas bort

Undantag

Typ Description
WebserviceException

serialize

Konvertera den här modellen till en json-serialiserad ordlista.

serialize()

Returer

Typ Description
dict

JSON-representationen av den här modellen

Undantag

Typ Description
WebserviceException

update

Utför en uppdatering på plats av modellen.

Befintliga värden för angivna parametrar ersätts.

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

Parametrar

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

En ordlista med taggar att uppdatera modellen med. De här taggarna ersätter befintliga taggar för modellen.

standardvärde: None
description
str

Den nya beskrivningen som ska användas för modellen. Det här namnet ersätter det befintliga namnet.

standardvärde: None
sample_input_dataset
AbstractDataset

Exempeldatauppsättningen som ska användas för den registrerade modellen. Den här exempeldatauppsättningen ersätter den befintliga datauppsättningen.

standardvärde: None
sample_output_dataset
AbstractDataset

Exempeldatauppsättningen som ska användas för den registrerade modellen. Den här exempeldatauppsättningen ersätter den befintliga datauppsättningen.

standardvärde: None
resource_configuration
ResourceConfiguration

Den resurskonfiguration som ska användas för att köra den registrerade modellen.

standardvärde: None

Undantag

Typ Description
WebserviceException

update_tags_properties

Utför en uppdatering av taggarna och egenskaperna för modellen.

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

Parametrar

Name Description
add_tags
dict(<xref:{str : str}>)

En ordlista med taggar att lägga till.

standardvärde: None
remove_tags
list[str]

En lista med taggnamn att ta bort.

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

En ordlista med egenskaper som ska läggas till.

standardvärde: None

Undantag

Typ Description
WebserviceException