Le routine di previsione personalizzate ti consentono di determinare il codice da eseguire quando invii una richiesta di previsione online ad AI Platform Prediction.
Quando esegui il deployment di una risorsa di versione in AI Platform Prediction senza utilizzare una routine di previsione personalizzata, le richieste di previsione vengono gestite eseguendo l'operazione di previsione del framework di machine learning utilizzato per l'addestramento.
Ma quando esegui il deployment di una routine di previsione personalizzata come risorsa della versione, può indicare ad AI Platform Prediction di eseguire codice Python personalizzato in risposta una richiesta di previsione che riceve. Puoi pre-elaborare l'input di previsione prima che il modello addestrato effettui la previsione oppure puoi post-elaborare la previsione del modello prima di inviare il risultato della previsione.
Per creare una routine di previsione personalizzata, devi fornire due parti AI Platform Prediction quando crei la versione del modello:
Una directory del modello in Cloud Storage, che contiene tutti gli elementi da utilizzare per la previsione.
Un pacchetto di distribuzione di origine Python
.tar.gz
in Cloud Storage contenente l'implementazione dell'interfaccia Predictor e qualsiasi altro codice personalizzato che vuoi che AI Platform Prediction utilizzi al momento della previsione.
Puoi eseguire il deployment di una routine di previsione personalizzata solo quando utilizzi un tipo di macchina legacy (MLS1) per la versione del tuo modello.
Carica gli artefatti del modello nella directory del modello
Segui la guida al deployment dei modelli per caricare il modello addestrato a Cloud Storage, insieme a qualsiasi altro file Fornire dati o statefulness per AI Platform Prediction da utilizzare durante la previsione.
Le dimensioni totali dei file degli elementi del modello di cui esegui il deployment in AI Platform Prediction devono essere pari o inferiori a 500 MB.
Puoi caricare il modello addestrato di machine learning nella directory del modello come
TensorFlow SavedModel
, un file model.joblib
, un file model.pkl
o un
model.bst
, ma puoi anche
fornisci il tuo modello come file HDF5 contenente un file tf.keras
addestrato
modello
o in un formato serializzato diverso.
Puoi anche includere un file di pickle con un'istanza di un una classe di preprocessore che contiene lo stato serializzato dall'addestramento.
Ad esempio, considera il seguente preprocessore, definito nel file denominato
preprocess.py
:
Durante l'addestramento su un set di dati numerico, il preprocessore centra i dati su
0 sottraendo la media di ogni colonna da ogni valore nella colonna. Quindi,
puoi esportare l'istanza del pre-processore come file pickle, preprocessor.pkl
,
che conserva le medie di ogni colonna calcolate dai dati di addestramento.
Durante la previsione, una routine di previsione personalizzata può caricare il pre-processore da questo file per eseguire una trasformazione identica sull'input di previsione.
Per scoprire come utilizzare un pre-processore con stato come questo nella routine di previsione personalizzata, leggi la sezione successiva, che descrive come implementare l'interfaccia Predictor.
Per esaminare un esempio completo dell'utilizzo di un pre-processore con stato durante l'addestramento e la previsione, leggi Creare una routine di previsione personalizzata con Keras o Creare una routine di previsione personalizzata con scikit-learn.
Crea il tuo predittore
Indica ad AI Platform Prediction come gestire le richieste di previsione fornendogli una classe Predictor. Questa è una classe che implementa la seguente interfaccia:
Nodi di previsione di AI Platform Prediction
utilizza il metodo della classe from_path
per caricare un'istanza del tuo predittore. Questo
dovrebbe caricare gli artefatti salvati nella directory del modello, i contenuti
di cui vengono copiati da Cloud Storage in una posizione individuata
model_dir
argomento.
Ogni volta che il deployment riceve una richiesta di previsione online, l'istanza della classe Predictor restituita da from_path
utilizza il metodo predict
per generare le previsioni. AI Platform Prediction serializza il valore restituito di questo metodo
a JSON e la invia come risposta alla richiesta di previsione.
Tieni presente che il metodo predict
non deve convertire l'input da JSON in oggetti Python o l'output in JSON. AI Platform Prediction gestisce questa operazione al di fuori del metodo predict
.
AI Platform Prediction fornisce l'argomento instances
analizzando il campo instances
dal corpo della richiesta predict
all'API AI Platform Training and Prediction. Analizza tutti gli altri
campi del corpo della richiesta e li fornisce al metodo predict
come voci
nel dizionario **kwargs
. Per saperne di più, leggi come strutturare una
Richiesta predict
all'API AI Platform Training and Prediction.
Continuando con l'esempio della sezione precedente, supponiamo che la tua directory del modello contenga preprocessor.pkl
(l'istanza sottoposta a pickling della classe ZeroCenterer
) e un modello tf.keras
addestrato esportato come model.h5
o un modello scikit-learn addestrato esportato come model.joblib
.
A seconda del framework di machine learning utilizzato, implementa una delle seguenti classi di Predictor in un file denominato predictor.py
:
TensorFlow
scikit-learn
Tieni presente che il metodo predict
converte i risultati della previsione in un elenco con il
metodo tolist
prima di restituirli. Gli array NumPy non sono serializzabili in formato JSON, quindi devi
convertirli in elenchi di numeri (che sono serializzabili in formato JSON). Altrimenti,
AI Platform Prediction non invierà la risposta della previsione.
Pacchettizzazione del predittore e delle sue dipendenze
Devi pacchettizzare il predittore come pacchetto di distribuzione di origine .tar.gz
.
Poiché NumPy, TensorFlow e scikit-learn sono inclusi nel
immagine runtime AI Platform Prediction,
non devi includere queste dipendenze nel file tarball. Tuttavia, assicurati di includere tutte le dipendenze di Predictor che non sono preinstallate su AI Platform Prediction.
Per l'esempio precedente, devi includere preprocess.py
nell'origine
di distribuzione dei contenuti, anche se il tuo Predictor non lo importa esplicitamente.
Altrimenti, preprocessor = pickle.load(f)
avrà esito negativo perché Python
riconoscere la classe dell'istanza ZeroCenterer
nel file pickle.
Il seguente setup.py
mostra un modo per pacchettizzare questi script:
Per pacchettizzare e caricare l'esempio di codice personalizzato descritto in questa pagina, procedi come descritto di seguito: seguenti:
Crea i file
preprocess.py
,predictor.py
esetup.py
descritti nelle sezioni precedenti, tutti nella stessa directory. Vai a quella directory nella shell.Esegui
python setup.py sdist --formats=gztar
per crearedist/my_custom_code-0.1.tar.gz
.Carica questo file tarball in una posizione di staging in Cloud Storage.
Non deve necessariamente corrispondere alla directory del modello. Se hai intenzione di eseguire l'iterazione e il deployment di più versioni della tua routine di previsione personalizzata, potresti voler caricare i tuoi pacchetti di codice personalizzati in una struttura temporanea . Puoi incrementare l'argomento
version
insetup.py
quando aggiorni il codice per tenere traccia delle diverse versioni.Il comando seguente mostra un modo per caricare la distribuzione di origine in Cloud Storage:
gcloud storage cp dist/my_custom_code-0.1.tar.gz gs://YOUR_BUCKET/PATH_TO_STAGING_DIR/
Puoi fornire il codice della routine di previsione personalizzata in uno o più pacchetti.
Esegui il deployment della tua routine di previsione personalizzata
Per prima cosa, seleziona una regione in cui la previsione online
disponibile e utilizza gcloud
per creare una risorsa del modello:
gcloud ai-platform models create MODEL_NAME{"</var>"}} \
--regions CHOSEN_REGION
Assicurati che il componente gcloud beta
sia aggiornato, quindi crea una risorsa di versione prestando particolare attenzione ai seguenti flag gcloud beta
:
--origin
: il percorso della directory del modello in Cloud Storage.--package-uris
: un elenco separato da virgole di pacchetti tar del codice utente in Cloud Storage, incluso quello contenente la classe Predictor.--prediction-class
: il nome completo della classe Predictor (MODULE_NAME, CLASS_NAME).--framework
: non specificare un framework quando esegui il deployment di una routine di previsione personalizzata.--runtime-version
: le routine di previsione personalizzate sono disponibili in tempo di esecuzione dalla 1.4 alla 2.11.
Il comando seguente mostra come creare una risorsa di versione in base ai file di esempio descritti nelle sezioni precedenti:
gcloud components install beta
gcloud beta ai-platform versions create VERSION_NAME \
--model MODEL_NAME{"</var>"}} \
--runtime-version 2.11 \
--python-version 3.7 \
--origin gs://YOUR_BUCKET/PATH_TO_MODEL_DIR \
--package-uris gs://YOUR_BUCKET/PATH_TO_STAGING_DIR/my_custom_code-0.1.tar.gz \
--prediction-class predictor.MyPredictor
Per scoprire di più sulla creazione di modelli e versioni in dettaglio o per scoprire come crearli utilizzando la console Google Cloud anziché l'interfaccia a riga di comando gcloud, consulta la guida al deployment dei modelli.
Specifica un account di servizio personalizzato
Quando crei una risorsa di versione, puoi specificare facoltativamente un account di servizio da utilizzare per la routine di previsione personalizzata durante la previsione. Questo consente di personalizzarne le autorizzazioni per accedere ad altre risorse Google Cloud. Scopri di più su come specificare un account di servizio per la previsione personalizzata di Cloud Shell.
Passaggi successivi
- Consulta un tutorial sull'utilizzo delle routine di previsione personalizzate con Keras o con scikit-learn per vedere un esempio più completo di come addestrare e implementare un modello utilizzando una routine di previsione personalizzata.
- Per ulteriori informazioni, leggi la guida all'esportazione dei modelli sull'esportazione degli artefatti per la previsione senza utilizzare una previsione personalizzata una nuova routine.
- Leggi la guida al deployment dei modelli per saperne di più
ulteriori dettagli sul deployment delle risorse
model
eversion
in AI Platform Prediction per fornire previsioni.