- Начало работы с ML Space
- Инструкции
- Использовать GitLab CI при работе с Environments
- Развертывание и эксплуатация моделей
- Начало работы с деплоями
- Сериализовать модель для использования в Deployments
- Скрипты для прогнозирования на основе обученных моделей
- Провалидировать serving-скрипт
- Создать образ для деплоя
- Развернуть модель (создать деплой)
- Отправить синхронный HTTP-запрос к развернутой модели
- Отправить асинхронный HTTP-запрос к развернутой модели
- Тарификация
- Термины и сокращения
- Обратиться в поддержку
Сериализовать модель для использования в Deployments
Чтобы использовать модель в рамках сервиса Deployments, ее необходимо сериализовать.
Для этого подойдут:
встроенные средства фреймворка, которые сохраняют контрольные точки обучения в формате bin, h5, pth и др.;
библиотека h5py в формат h5;
библиотека pickle в формат pickle.
Ниже приведены примеры сериализации моделей.
Если модель сериализуется с помощью pickle, последовательность действий следующая:
import picklemodel . fit ( X_train , X_test ) # Train the datawith open ( 'fitted_model.pickle' , 'wb' ) as modelFile :pickle . dump ( model , modelFile ) # Dump the model
Сохранение модели Keras в формат h5:
model . save ( 'final_model.h5' )model = load_model ( 'final_model.h5' )
Была ли статья полезной ?
Предыдущая статья
Начало работы с деплоями
Следующая статья
Скрипты для прогнозирования на основе обученных моделей