Predicciones con canalizaciones de scikit-learn

En este instructivo, entrenarás un modelo simple para predecir las especies de flores con el conjunto de datos Iris. Después de entrenar y guardar el modelo localmente, impleméntalo en AI Platform y consúltalo para obtener predicciones en línea.

Puedes implementar y entregar canalizaciones scikit-learn en AI Platform. El módulo de canalización de scikit-learn te permite aplicar varias transformaciones de datos antes de realizar el entrenamiento con un estimador. Esto encapsula múltiples pasos en el procesamiento de datos y garantiza que se usen los mismos datos de entrenamiento en cada paso.

Para este instructivo, debes tener Python 2.7. A fin de usar Python 3.5, consulta cómo obtener predicciones en línea con XGBoost o cómo obtener predicciones en línea con scikit-learn.

Descripción general

En este instructivo introductorio, completarás los siguientes pasos:

  • Usarás una canalización de scikit-learn para entrenar un modelo en el conjunto de datos Iris.
  • Guarda el modelo en forma local.
  • Sube el modelo guardado a Cloud Storage.
  • Crea un recurso de modelo y una versión de modelo de AI Platform.
  • Obtendrás predicciones en línea para dos instancias de datos.

Antes de comenzar

Completa los siguientes pasos para configurar una cuenta de GCP, activar la API de AI Platform y, también, instalar y activar el SDK de Cloud.

Configura tu proyecto de GCP

  1. Accede a tu Cuenta de Google.

    Si todavía no tienes una cuenta, regístrate para obtener una nueva.

  2. En GCP Console, en la página de selección de proyecto, selecciona o crea un proyecto de GCP.

    Ir a la página de selección de proyecto

  3. Asegúrate de tener habilitada la facturación para tu proyecto de Google Cloud Platform. Obtén información sobre cómo confirmar que tienes habilitada la facturación para tu proyecto.

  4. Habilita lasAI Platform ("Cloud Machine Learning Engine") and Compute EngineAPIAPI.

    Habilita lasAPI

  5. Instala e inicializa el SDK de Cloud.

Configura tu entorno

Elige una de las siguientes opciones para configurar tu entorno de manera local en macOS o en un entorno remoto en Cloud Shell.

Si eres usuario de macOS, te recomendamos configurar tu entorno mediante la pestaña MACOS a continuación. Cloud Shell, que se muestra en la pestaña CLOUD SHELL, está disponible en macOS, Linux y Windows. Cloud Shell proporciona una forma rápida de probar AI Platform, pero no es adecuado para el trabajo de desarrollo continuo.

macOS

  1. Verifica la instalación de Python
    Confirma que tienes Python instalado y, si es necesario, instálalo.

    python -V
  2. Verifica la instalación de pip
    . pip es el administrador de paquetes de Python, que se incluye en las versiones actuales de Python. Para verificar si ya tienes instalado pip, ejecuta el comando pip --version. De lo contrario, consulta cómo instalar pip.

    Puedes actualizar pip con el siguiente comando:

    pip install -U pip

    Consulta la documentación de pip para obtener más detalles.

  3. Instala virtualenv
    virtualenv es una herramienta para crear entornos aislados de Python. Para verificar si ya tienes instalado virtualenv, ejecuta virtualenv --version. De lo contrario, instala virtualenv:

    pip install --user --upgrade virtualenv

    Si deseas crear un entorno de desarrollo aislado para esta guía, crea un entorno virtual nuevo en virtualenv. Por ejemplo, el siguiente comando activa un entorno llamado cmle-env:

    virtualenv cmle-env
    source cmle-env/bin/activate
  4. A los fines de este instructivo, ejecuta el resto de los comandos dentro de tu entorno virtual.

    Consulta más información sobre cómo usar virtualenv. Para salir de virtualenv, ejecuta deactivate.

Cloud Shell

  1. Abre Google Cloud Platform Console.

    Google Cloud Platform Console

  2. Haz clic en el botón Activar Google Cloud Shell en la parte superior de la ventana de la consola.

    Activar Google Cloud Shell

    Se abrirá una sesión de Cloud Shell dentro de un marco nuevo en la parte inferior de la consola que mostrará un mensaje de línea de comandos. La sesión de Shell puede tardar unos segundos en inicializar.

    Sesión de Cloud Shell

    Tu sesión de Cloud Shell está lista para usarse.

  3. Configura la herramienta de línea de comandos de gcloud para que use tu proyecto seleccionado.

    gcloud config set project [selected-project-id]

    donde [selected-project-id] es el ID del proyecto. (Omite los corchetes).

Verifica los componentes del SDK de Google Cloud

Para verificar que los componentes del SDK de Google Cloud están instalados, realiza lo siguiente:

  1. Genera una lista de tus modelos con el siguiente comando:

    gcloud ai-platform models list
  2. Si no has creado ningún modelo anteriormente, el comando muestra una lista vacía:

    Listed 0 items.

    Después de comenzar a crear modelos, puedes verlos en una lista con este comando.

  3. Si ya instalaste gcloud, actualiza con el siguiente comando:

    gcloud components update

Instala marcos de trabajo

macOS

Dentro de tu entorno virtual, ejecuta el siguiente comando para instalar las versiones de scikit-learn y Pandas que se usan en la versión 1.14 del entorno de ejecución de AI Platform:

(cmle-env)$ pip install scikit-learn==0.20.2 pandas==0.24.0

Cuando proporciones los números de versión en el comando anterior, asegúrate de que las dependencias de tu entorno virtual coincidan con las dependencias de la versión del entorno de ejecución. Esto ayuda a prevenir comportamientos inesperados cuando tu código se ejecuta en AI Platform.

Para obtener más detalles, información de solución de problemas y opciones de instalación, consulta las siguientes instrucciones de instalación para cada marco de trabajo:

Cloud Shell

Ejecuta el siguiente comando para instalar scikit-learn y Pandas:

pip install --user scikit-learn pandas

Para obtener más detalles, información de solución de problemas y opciones de instalación, consulta las siguientes instrucciones de instalación para cada marco de trabajo:

Entrena y exporta tu modelo

Puedes exportar objetos Pipeline con joblib o pickle, del mismo modo que exportas estimadores de scikit-learn. En el siguiente ejemplo, se configura una canalización que usa RandomForestClassifier para entrenar un modelo en el conjunto de datos Iris.

joblib

Configura la canalización, entrena el modelo y usa joblib para exportar el objeto Pipeline:

from sklearn import datasets
from sklearn import svm
from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2
from sklearn.ensemble import RandomForestClassifier
from sklearn.pipeline import Pipeline

from sklearn.externals import joblib

# Load the Iris dataset
iris = datasets.load_iris()

# Set up a pipeline with a feature selection preprocessor that
# selects the top 2 features to use.
# The pipeline then uses a RandomForestClassifier to train the model.

pipeline = Pipeline([
      ('feature_selection', SelectKBest(chi2, k=2)),
      ('classification', RandomForestClassifier())
    ])

pipeline.fit(iris.data, iris.target)

# Export the classifier to a file
joblib.dump(pipeline, 'model.joblib')

pickle

Configura la canalización, entrena el modelo y usa pickle para exportar el objeto Pipeline:

from sklearn import datasets
from sklearn import svm
from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2
from sklearn.ensemble import RandomForestClassifier
from sklearn.pipeline import Pipeline

import pickle

# Load the Iris dataset
iris = datasets.load_iris()

# Set up a pipeline with a feature selection preprocessor that
# selects the top 2 features to use.
# The pipeline then uses a RandomForestClassifier to train the model.

pipeline = Pipeline([
      ('feature_selection', SelectKBest(chi2, k=2)),
      ('classification', RandomForestClassifier())
    ])

pipeline.fit(iris.data, iris.target)

# Export the classifier to a file
with open('model.pkl', 'wb') as model_file:
  pickle.dump(pipeline, model_file)

Requisitos para nombrar los archivos del modelo

El archivo del modelo guardado que subas a Cloud Storage debe tener uno de estos nombres: model.pkl o model.joblib, según la biblioteca que hayas usado. Esta restricción garantiza que AI Platform utilice el mismo patrón que se usó durante la exportación para reconstruir el modelo en la importación.

Biblioteca que se usó para exportar el modelo Nombre del modelo correcto
pickle model.pkl
joblib model.joblib

En futuras iteraciones de tu modelo, organiza tu depósito de Cloud Storage para que cada modelo nuevo tenga un directorio dedicado.

Almacena tu modelo en Cloud Storage

Para los fines de este instructivo, es más fácil usar un depósito de Cloud Storage dedicado en el mismo proyecto que usas para AI Platform.

Si usas un depósito en un proyecto diferente, debes asegurarte de que con tu cuenta de servicio de AI Platform tenga acceso a tu modelo en Cloud Storage. Sin los permisos adecuados, tu solicitud para crear una versión del modelo de AI Platform falla. Obtén más información sobre cómo otorgar permisos para el almacenamiento.

Configura tu depósito de Cloud Storage

En esta sección, se muestra cómo crear un depósito nuevo. Puedes usar un depósito existente, pero debe estar en la misma región en la que planeas ejecutar los trabajos de AI Platform. Además, si no forma parte del proyecto que usas para ejecutar AI Platform, debes otorgar acceso a las cuentas de servicio de AI Platform de forma explícita.

  1. Especifica un nombre para tu depósito nuevo. El nombre debe ser único entre todos los depósitos en Cloud Storage.

    BUCKET_NAME="your_bucket_name"

    Por ejemplo, usa el nombre de tu proyecto con -mlengine agregado:

    PROJECT_ID=$(gcloud config list project --format "value(core.project)")
    BUCKET_NAME=${PROJECT_ID}-mlengine
  2. Comprueba el nombre del depósito que creaste.

    echo $BUCKET_NAME
  3. Selecciona una región para tu depósito y establece una variable de entorno REGION.

    Usa la misma región en la que planeas ejecutar los trabajos de AI Platform. Consulta las regiones disponibles para servicios de AI Platform.

    Por ejemplo, con el siguiente código se crea una REGION y se configura como us-central1:

    REGION=us-central1
  4. Crea el depósito nuevo con el siguiente comando:

    gsutil mb -l $REGION gs://$BUCKET_NAME

Sube el archivo de modelo exportado a Cloud Storage

Ejecuta el comando siguiente para subir tu archivo de canalización guardado en tu depósito a Cloud Storage:

gsutil cp ./model.joblib gs://$BUCKET_NAME/model.joblib

Puedes usar el mismo depósito de Cloud Storage para varios archivos de modelo. Cada archivo de modelo debe estar en su propio directorio dentro del depósito.

Entrada de formato para la predicción

gcloud

Crea un archivo input.json con cada instancia de entrada en una línea separada de la siguiente manera:

[6.8,  2.8,  4.8,  1.4]
[6.0,  3.4,  4.5,  1.6]

Ten en cuenta que el formato de las instancias de entrada debe coincidir con lo que tu modelo espera. En este ejemplo, el modelo Iris requiere 4 características, por lo que tu entrada debe ser una matriz de forma (num_instances, 4).

API de REST

Crea un archivo input.json con el formato de una lista simple de anuncios flotantes, con cada instancia de entrada en una línea separada de la siguiente manera:

{
  "instances": [

    [6.8,  2.8,  4.8,  1.4],
    [6.0,  3.4,  4.5,  1.6]

  ]
}

Ten en cuenta que el formato de las instancias de entrada debe coincidir con lo que tu modelo espera. En este ejemplo, el modelo Iris requiere 4 características, por lo que tu entrada debe ser una matriz de forma (num_instances, 4).

Consulta más información sobre cómo formatear tu entrada para la predicción en línea.

Prueba tu modelo con predicciones locales

Puedes usar el comando gcloud ai-platform local predict para probar cómo tu modelo entrega predicciones antes de implementarlo en AI Platform Prediction. Con el comando se usan dependencias en tu entorno local para realizar predicciones y mostrar resultados en el mismo formato que se emplea con gcloud ai-platform predict a fin de realizar predicciones en línea. La prueba local de las predicciones puede ayudarte a descubrir errores antes de incurrir en costos por las solicitudes de predicción en línea.

Para el argumento --model-dir, especifica un directorio que contenga tu modelo de aprendizaje automático exportado, ya sea en tu máquina local o en Cloud Storage. Para el argumento --framework, especifica tensorflow, scikit-learn o xgboost. No puedes usar el comando gcloud ai-platform local predict con una rutina de predicción personalizada.

En el siguiente ejemplo, se muestra cómo realizar predicciones locales:

gcloud ai-platform local predict --model-dir local-or-cloud-storage-path-to-model-directory/ \
  --json-instances local-path-to-prediction-input.json \
  --framework name-of-framework

Implementa modelos y versiones

AI Platform organiza tus modelos entrenados mediante los recursos de modelo y versión. Un modelo de AI Platform es un contenedor para las versiones de tu modelo de aprendizaje automático.

Para implementar un modelo, crea un recurso de modelo en AI Platform y una versión de ese modelo y, luego, vincula la versión del modelo al archivo de modelo almacenado en Cloud Storage.

Crea un recurso de modelo

En AI Platform, los recursos del modelo se usan para organizar diferentes versiones de tu modelo.

Console

  1. Abre la página Modelos de AI Platform en GCP Console:

    Abrir la página Modelos en GCP Console

  2. Si es necesario, crea un modelo para agregarle tu versión nueva de la siguiente manera:

    1. Haz clic en el botón Modelo nuevo en la parte superior de la página Modelos. Esto te lleva a la página Crear modelo.

    2. Ingresa un nombre exclusivo para tu modelo en el cuadro Nombre del modelo. De forma opcional, ingresa una descripción de tu modelo en el campo Descripción.

    3. Haz clic en Crear.

    4. Verifica que hayas regresado a la página Modelos y que tu modelo nuevo aparezca en la lista.

gcloud

Crea un recurso del modelo para tus versiones de modelo y completa el nombre de tu modelo sin los corchetes de la siguiente manera:

gcloud ai-platform models create "[YOUR-MODEL-NAME]"

API de REST

  1. Para formatear tu solicitud, coloca el objeto del modelo en el cuerpo de la solicitud. Como mínimo, debes especificar un nombre para tu modelo. Completa el nombre que desees para tu modelo sin los corchetes de la siguiente manera:

    {"name": "[YOUR-MODEL-NAME]"}
    
  2. Haz una llamada a la API de REST en la ruta de acceso y reemplaza [VALUES_IN_BRACKETS] por los siguientes valores adecuados:

    POST https://ml.googleapis.com/v1/projects/[YOUR-PROJECT-ID]/models/
    

    Por ejemplo, puedes realizar la siguiente solicitud con cURL:

    curl -X POST -H "Content-Type: application/json" \
      -d '{"name": "[YOUR-MODEL-NAME]"}' \
      -H "Authorization: Bearer `gcloud auth print-access-token`" \
      "https://ml.googleapis.com/v1/projects/[YOUR-PROJECT-ID]/models"
    

    Deberías ver un resultado similar al siguiente:

    {
      "name": "projects/[YOUR-PROJECT-ID]/models/[YOUR-MODEL-NAME]",
      "regions": [
        "us-central1"
      ]
    }
    

Consulta la API del modelo de AI Platform para obtener más información.

Crea una versión de modelo

Ahora estás listo para crear una versión de modelo con el modelo entrenado que subiste previamente a Cloud Storage. Cuando crees una versión, especifica los siguientes parámetros:

  • name: debe ser único dentro del modelo de AI Platform.
  • deploymentUri: es la ruta de acceso a tu directorio de modelos en Cloud Storage.

    • Si implementas un modelo de TensorFlow, este es un directorio de modelo guardado.
    • Si implementas un modelo de scikit-learn o XGBoost, este es el directorio que contiene tu archivo model.joblib, model.pkl o model.bst.
    • Si implementas una rutina de predicción personalizada, este es el directorio que contiene todos los artefactos de tu modelo. El tamaño total de este directorio debe ser de 500 MB o menos.
  • framework: TENSORFLOW, SCIKIT_LEARN o XGBOOST

  • runtimeVersion: es una versión del entorno de ejecución según las dependencias que se necesitan con tu modelo. Si implementas un modelo de scikit-learn o XGBoost, esta debe ser al menos 1.4.

  • pythonVersion: se debe establecer en “3.5” para que sea compatible con los archivos de modelo exportados con Python 3. Si no se configura, el valor predeterminado es “2.7”.

  • machineType (opcional): es el tipo de máquina virtual que se usa con AI Platform Prediction para los nodos en los que se entregan predicciones. Obtén más información sobre los tipos de máquinas. Si no se configura, el valor predeterminado es mls1-c1-m2.

Consulta más información sobre cada uno de estos parámetros en la API de entrenamiento y predicción de AI Platform para un recurso de versión.

Consulta los detalles completos de cada versión del entorno de ejecución.

Console

  1. En la página Modelos, selecciona el nombre del recurso del modelo que te gustaría usar para crear tu versión. Esto te lleva a la página Detalles del modelo.

    Abrir la página Modelos en GCP Console

  2. Haz clic en el botón Nueva versión en la parte superior de la página Detalles del modelo. Esto te lleva a la página Crear versión.

  3. Ingresa el nombre de la versión en el campo Nombre. De forma opcional, ingresa una descripción de tu versión en el campo Descripción.

  4. Ingresa la siguiente información sobre cómo entrenaste tu modelo en los cuadros desplegables correspondientes:

    • Selecciona la versión de Python que usaste para entrenar el modelo.
    • Selecciona el marco de trabajo y la versión del marco de trabajo.
    • Selecciona la versión del entorno de ejecución del AA. Obtén más información sobre las versiones del entorno de ejecución de AI Platform.
  5. De forma opcional, selecciona un tipo de máquina para ejecutar la predicción en línea. El valor predeterminado de este campo es “CPU de un núcleo”.

  6. En el campo URI del modelo, ingresa la ubicación del depósito de Cloud Storage en la que subiste tu archivo del modelo. Puedes usar el botón Explorar para encontrar la ruta de acceso correcta.

    Asegúrate de especificar la ruta de acceso al directorio que contiene el archivo, no la ruta de acceso al archivo del modelo. Por ejemplo, usa gs://your_bucket_name/model-dir/ en lugar de gs://your_bucket_name/model-dir/saved_model.pb o gs://your_bucket_name/model-dir/model.pkl.

  7. Selecciona una opción de escalamiento para la implementación de la predicción en línea de la siguiente manera:

    • Si seleccionas “Ajuste de escala automático”, se muestra el campo opcional Número mínimo de nodos. Puedes ingresar el número mínimo de nodos que se ejecutarán en todo momento, cuando el servicio se haya reducido. El valor predeterminado de este campo es 0.

    • Si seleccionas “Ajuste de escala manual” debes ingresar la cantidad de nodos que deseas que se ejecuten en todo momento.

      Obtén más información sobre los precios para los costos de predicción.

  8. Para terminar de crear tu versión del modelo, haz clic en Guardar.

gcloud

  1. Establece variables de entorno para almacenar la ruta de acceso al directorio de Cloud Storage en el que se encuentra el objeto binario del modelo, el nombre del modelo, el nombre de la versión y el marco de trabajo que hayas elegido.

    Cuando creas una versión con la herramienta de gcloud, puedes proporcionar el nombre del marco de trabajo en letras mayúsculas con guiones bajos (por ejemplo, SCIKIT_LEARN) o en minúsculas con guiones (por ejemplo, scikit-learn). Ambas opciones conducen a un comportamiento idéntico.

    Reemplaza [VALUES_IN_BRACKETS] por los valores adecuados como se muestra a continuación:

    MODEL_DIR="gs://your_bucket_name/"
    VERSION_NAME="[YOUR-VERSION-NAME]"
    MODEL_NAME="[YOUR-MODEL-NAME]"
    FRAMEWORK="[YOUR-FRAMEWORK_NAME]"
    

  2. Crea la versión de la siguiente manera:

    gcloud ai-platform versions create $VERSION_NAME \
      --model $MODEL_NAME \
      --origin $MODEL_DIR \
      --runtime-version=1.14 \
      --framework $FRAMEWORK \
      --python-version=3.5
    

    La creación de la versión tarda unos minutos. Cuando esté lista, debes ver el siguiente resultado:

    Creating version (this might take a few minutes)......done.

  3. Obtén información sobre tu versión nueva:

    gcloud ai-platform versions describe $VERSION_NAME \
      --model $MODEL_NAME
    

    Deberías ver un resultado similar al siguiente:

    createTime: '2018-02-28T16:30:45Z'
    deploymentUri: gs://your_bucket_name
    framework: [YOUR-FRAMEWORK-NAME]
    machineType: mls1-c1-m2
    name: projects/[YOUR-PROJECT-ID]/models/[YOUR-MODEL-NAME]/versions/[YOUR-VERSION-NAME]
    pythonVersion: '3.5'
    runtimeVersion: '1.14'
    state: READY

API de REST

  1. Dale formato al cuerpo de tu solicitud para que contenga el objeto de la versión. En este ejemplo, se especifican los valores de name, deploymentUri, runtimeVersion y framework de la versión. Reemplaza [VALUES_IN_BRACKETS] por los valores adecuados como se muestra a continuación:

      {
        "name": "[YOUR-VERSION-NAME]",
        "deploymentUri": "gs://your_bucket_name/"
        "runtimeVersion": "1.14"
        "framework": "[YOUR_FRAMEWORK_NAME]"
        "pythonVersion": "3.5"
      }
    
  2. Haz una llamada a la API de REST en la ruta de acceso y reemplaza [VALUES_IN_BRACKETS] por los siguientes valores adecuados:

      POST https://ml.googleapis.com/v1/projects/[YOUR-PROJECT-ID]/models/[YOUR-MODEL-NAME]/versions
    

    Por ejemplo, puedes realizar la siguiente solicitud con cURL:

        curl -X POST -H "Content-Type: application/json" \
          -d '{"name": "[YOUR-VERSION-NAME]", "deploymentUri": "gs://your_bucket_name/", "runtimeVersion": "1.14", "framework": "[YOUR_FRAMEWORK_NAME]", "pythonVersion": "3.5"}' \
          -H "Authorization: Bearer `gcloud auth print-access-token`" \
          "https://ml.googleapis.com/v1/projects/[YOUR-PROJECT-ID]/models/[YOUR-MODEL-NAME]/versions"
    

    La creación de la versión tarda unos minutos. Cuando esté lista, debes ver un resultado similar al siguiente:

      {
        "name": "projects/[YOUR-PROJECT-ID]/operations/create_[YOUR-MODEL-NAME]_[YOUR-VERSION-NAME]-[TIMESTAMP]",
        "metadata": {
          "@type": "type.googleapis.com/google.cloud.ml.v1.OperationMetadata",
          "createTime": "2018-07-07T02:51:50Z",
          "operationType": "CREATE_VERSION",
          "modelName": "projects/[YOUR-PROJECT-ID]/models/[YOUR-MODEL-NAME]",
          "version": {
            "name": "projects/[YOUR-PROJECT-ID]/models/[YOUR-MODEL-NAME]/versions/[YOUR-VERSION-NAME]",
            "deploymentUri": "gs://your_bucket_name",
            "createTime": "2018-07-07T02:51:49Z",
            "runtimeVersion": "1.14",
            "framework": "[YOUR_FRAMEWORK_NAME]",
            "machineType": "mls1-c1-m2",
            "pythonVersion": "3.5"
          }
        }
      }
    

Envía una solicitud de predicción en línea

Una vez que hayas creado correctamente una versión, en AI Platform, se inicia un servidor nuevo que está listo para entregar las solicitudes de predicción.

gcloud

  1. Establece las siguientes variables de entorno para el nombre de tu modelo, el nombre de la versión y el nombre de tu archivo de entrada:

    MODEL_NAME="pipeline"
    VERSION_NAME="v1"
    INPUT_FILE="input.json"
    
  2. Envía la solicitud de predicción:

    gcloud ai-platform predict --model $MODEL_NAME --version \
      $VERSION_NAME --json-instances $INPUT_FILE
    

Python

En esta muestra, se supone que estás familiarizado con la biblioteca cliente de Google Cloud para Python. Si no estás familiarizado con esta biblioteca, consulta Usa la biblioteca cliente de Python.

import googleapiclient.discovery

def predict_json(project, model, instances, version=None):
    """Send json data to a deployed model for prediction.
    Args:
        project (str): project where the AI Platform Model is deployed.
        model (str): model name.
        instances ([[float]]): List of input instances, where each input
           instance is a list of floats.
        version: str, version of the model to target.
    Returns:
        Mapping[str: any]: dictionary of prediction results defined by the
            model.
    """
    # Create the AI Platform service object.
    # To authenticate set the environment variable
    # GOOGLE_APPLICATION_CREDENTIALS=<path_to_service_account_file>
    service = googleapiclient.discovery.build('ml', 'v1')
    name = 'projects/{}/models/{}'.format(project, model)

    if version is not None:
        name += '/versions/{}'.format(version)

    response = service.projects().predict(
        name=name,
        body={'instances': instances}
    ).execute()

    if 'error' in response:
        raise RuntimeError(response['error'])

    return response['predictions']

Obtén más información sobre los parámetros de entrada de predicción en la API de AI Platform para entrada de predicción.

Próximos pasos

¿Te sirvió esta página? Envíanos tu opinión:

Enviar comentarios sobre…

¿Necesitas ayuda? Visita nuestra página de asistencia.