MLOps Academy · Pelajaran

Tulis Predictor Kustom

Sambungkan kode prapemrosesan dan model Anda sendiri.

Tulis Predictor Kustom adalah pelajaran MLOps Academy gratis di CoddyKit. Ini adalah pelajaran 3 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar MLOps Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus MLOps Academy mencakup 4 pelajaran total.

Saat Fitur Bawaan Tidak Memadai

Waktu proses bawaan mencakup sklearn, PyTorch, dan lainnya. Namun, jika model Anda memerlukan logika khusus, Anda harus menulisnya sendiri. custom predictor memberi Anda kendali penuh. 🛠️

Ini Hanya Kontainer

Predictor khusus adalah image kontainer milik Anda yang menggunakan protokol KServe. Anda mengemas kode, model, dan dependensi ke dalam satu image, lalu menyerahkannya kepada KServe.

SDK Python KServe

Paket Python kserve menyediakan kelas dasar untuk diperluas. Anda membuat subkelas kserve.Model dan mengisi cara model Anda dimuat serta membuat prediksi.

import kserve

class MyModel(kserve.Model):
    def __init__(self, name):
        super().__init__(name)
        self.ready = False

Implementasikan load()

Metode load membaca model Anda dari disk ke memori sekali saat memulai. Setelah selesai, tetapkan ready ke True agar KServe mengetahui bahwa model siap melayani.

def load(self):
    self.model = joblib.load("/mnt/models/model.joblib")
    self.ready = True

Implementasikan predict()

Metode predict menerima muatan permintaan, menjalankan model Anda, lalu mengembalikan hasilnya sebagai dict. Di sinilah logika inferensi sebenarnya berada.

def predict(self, payload, headers=None):
    rows = payload["instances"]
    preds = self.model.predict(rows)
    return {"predictions": preds.tolist()}

Pemrosesan Awal Khusus Cocok Ditempatkan di Sini

Perlu mengubah bentuk input atau menerapkan aturan bisnis sebelum inferensi? Tempatkan logika tersebut langsung di dalam predict atau dalam langkah preprocess. Waktu proses tidak perlu mengetahuinya.

Mulai Server Model

Hubungkan kelas Anda ke ModelServer lalu mulai jalankan. Server KServe menangani HTTP, kesehatan, dan protokol, sehingga Anda hanya perlu menulis kode model. ModelServer menjalankan perulangannya.

if __name__ == "__main__":
    model = MyModel("custom-model")
    model.load()
    kserve.ModelServer().start([model])

Kemas dalam Dockerfile

Anda membangun kontainer yang memasang kserve, menyalin kode, dan menjalankan server. Dockerfile ini menghasilkan image yang akan diluncurkan KServe.

FROM python:3.11-slim
RUN pip install kserve joblib scikit-learn
COPY model.py /app/model.py
CMD ["python", "/app/model.py"]

Arahkan Spesifikasi ke Image Anda

Dalam InferenceService, predictor menggunakan blok containers biasa, bukan format model. Anda menamai image, lalu KServe menjalankannya.

spec:
  predictor:
    containers:
      - name: kserve-container
        image: my-registry/custom-model:latest

Memasang Model Anda

Anda tetap dapat menetapkan storageUri, lalu KServe memasang model yang diunduh di jalur yang diketahui dan dapat dibaca oleh kode Anda. Kontainer dan storageUri bekerja bersama.

Protokol Sama, Logika Anda

Karena Anda mengimplementasikan titik akhir standar, klien memanggil predictor khusus Anda sama seperti predictor bawaan. Protokol tetap identik; hanya bagian dalamnya yang milik Anda.

Pemeriksaan Singkat

Anda membuat subkelas kserve.Model untuk predictor khusus. Metode apa yang memuat model ke memori?

Ringkasan

Anda membangun custom predictor dengan membuat subkelas kserve.Model, mengisi load dan predict, lalu mengirimkannya sebagai kontainer. Protokolnya sama, logikanya milik Anda sendiri. Kerja yang luar biasa! 🎉

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Tulis Predictor Kustom” gratis?

Ya — teks lengkap “Tulis Predictor Kustom” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus MLOps Academy, upgrade ke CoddyKit PRO. Kursus MLOps Academy mencakup 4 pelajaran total.

Apa yang akan aku pelajari di “Tulis Predictor Kustom”?

Sambungkan kode prapemrosesan dan model Anda sendiri. Kamu berlatih MLOps Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.

Apakah aku perlu pengalaman untuk memulai MLOps Academy?

Tidak diperlukan pengalaman sebelumnya. MLOps Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 3 dari 4.

Berapa lama pelajaran “Tulis Predictor Kustom” memakan waktu?

Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.

Bisakah aku menulis dan menjalankan kode dalam pelajaran MLOps Academy ini?

Ya. Setiap pelajaran MLOps Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.

Semua pelajaran dalam kursus ini

Resource InferenceService
Skalakan hingga Nol dan Aktifkan Kembali
Tulis Predictor Kustom
KServe vs Seldon Core

← Kembali ke MLOps Academy