MLOps Academy · Pelajaran

Tulis Peramal Tersuai

Masukkan kod prapemprosesan dan model anda sendiri.

Pelajaran 3 daripada 413 langkah

Tulis Peramal Tersuai ialah pelajaran MLOps Academy percuma di CoddyKit. Ini ialah pelajaran 3 daripada 4. Anda boleh membaca keseluruhan pelajaran di bawah secara percuma — kemudian berlatih secara praktikal dalam pelayar menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran MLOps Academy, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus MLOps Academy merangkumi sejumlah 4 pelajaran.

Apabila Komponen Terbina Dalam Tidak Mencukupi

Masa jalan terbina dalam merangkumi sklearn, PyTorch dan lain-lain. Namun, apabila model anda memerlukan logik khas, anda perlu menulisnya sendiri. custom predictor memberikan kawalan penuh kepada anda. 🛠️

Ia Hanya Sebuah Bekas

Peramal tersuai ialah imej bekas anda sendiri yang menggunakan protokol KServe. Anda membungkus kod, model dan kebergantungan ke dalam satu image lalu menyerahkannya kepada KServe.

SDK Python KServe

Pakej Python kserve memberikan kelas asas untuk dikembangkan. Anda membuat subkelas kserve.Model dan mengisi cara model anda dimuatkan serta membuat ramalan.

import kserve

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

Laksanakan load()

Kaedah load membaca model anda daripada cakera ke dalam memori sekali sahaja semasa permulaan. Setelah selesai, tetapkan ready kepada True supaya KServe tahu bahawa model itu boleh disajikan.

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

Laksanakan predict()

Kaedah predict menerima muatan permintaan, menjalankan model anda dan mengembalikan hasil sebagai dict. Di sinilah logik inferens sebenar anda berada.

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

Pemprosesan Awal Tersuai Sesuai di Sini

Perlu membentuk semula input atau menggunakan peraturan perniagaan sebelum inferens? Letakkan logik itu terus dalam predict atau dalam langkah preprocess. Masa jalan tidak perlu mengetahuinya.

Mulakan Pelayan Model

Anda menyambungkan kelas anda kepada ModelServer dan memulakannya. Pelayan KServe mengurus HTTP, kesihatan dan protokol, jadi anda hanya perlu menulis kod model. ModelServer menjalankan gelung tersebut.

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

Bungkus dalam Dockerfile

Anda membina bekas yang memasang kserve, menyalin kod anda dan menjalankan pelayan. Dockerfile ini menghasilkan imej yang akan dilancarkan oleh KServe.

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

Tunjukkan Spesifikasi kepada Imej Anda

Dalam InferenceService, predictor menggunakan blok containers biasa dan bukannya format model. Anda menamakan imej anda dan KServe menjalankannya.

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

Lekapkan Model Anda

Anda masih boleh menetapkan storageUri, dan KServe melekapkan model yang dimuat turun pada laluan yang diketahui untuk dibaca oleh kod anda. Bekas dan storageUri berfungsi bersama.

Protokol Sama, Logik Anda

Oleh sebab anda melaksanakan titik akhir standard, klien memanggil peramal tersuai anda sama seperti peramal terbina dalam. protocol kekal sama, hanya bahagian dalamannya milik anda.

Semakan Pantas

Anda membuat subkelas kserve.Model untuk peramal tersuai. Kaedah manakah yang memuatkan model ke dalam memori?

Jawab dalam pelajaran interaktif

Ringkasan

Anda membina custom predictor dengan membuat subkelas kserve.Model, mengisi load dan predict, lalu menghantarnya sebagai bekas. Protokol sama, logik milik anda. Kerja yang hebat! 🎉

Percuma untuk bermula

Pelajari Python dengan tutor kecerdasan buatan — percuma

Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.

Kursus: 30
Pelajaran: 120

Mula belajar secara percuma Lihat kursus penuh

Soalan Lazim

Adakah pelajaran “Tulis Peramal Tersuai” percuma?

Ya — teks penuh “Tulis Peramal Tersuai” boleh dibaca secara percuma di web ini. Untuk berlatih secara interaktif menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7, serta membuka kunci baki kursus MLOps Academy, tingkat taraf kepada CoddyKit PRO. Kursus MLOps Academy merangkumi sejumlah 4 pelajaran.

Apakah yang akan saya pelajari dalam “Tulis Peramal Tersuai”?

Masukkan kod prapemprosesan dan model anda sendiri. Anda berlatih MLOps Academy menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.

Adakah saya memerlukan pengalaman untuk memulakan MLOps Academy?

Tiada pengalaman terdahulu diperlukan. Pembelajaran MLOps Academy di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 3 daripada 4.

Berapa lamakah pelajaran “Tulis Peramal Tersuai” diambil?

Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.

Bolehkah saya menulis dan menjalankan kod dalam pelajaran MLOps Academy ini?

Ya. Setiap pelajaran MLOps Academy menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.

Semua pelajaran dalam kursus ini

← Kembali ke MLOps Academy