Utiliser un modèle entraîné pour générer de nouveaux artefacts de modèle - Amazon Neptune

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Utiliser un modèle entraîné pour générer de nouveaux artefacts de modèle

À l'aide de la commande Neptune ML model transform, vous pouvez calculer des artefacts de modèle tels que l'intégration de nœuds sur des données de graphe traitées à l'aide de paramètres de modèle pré-entraînés.

Transformation du modèle pour inférence incrémentielle

Dansflux de travail d'inférence de modèle incrémental, après avoir traité les données de graphe mises à jour que vous avez exportées depuis Neptune, vous pouvez démarrer une tâche de transformation de modèle à l'aide d'une commande curl (ou awscurl) comme suit :

curl \ -X POST https://(your Neptune endpoint)/ml/modeltransform -H 'Content-Type: application/json' \ -d '{ "id" : "(a unique model-training job ID)", "dataProcessingJobId" : "(the data-processing job-id of a completed job)", "mlModelTrainingJobId": "(the ML model training job-id)", "modelTransformOutputS3Location" : "s3://(your Amazon S3 bucket)/neptune-model-transform/" }'

Vous pouvez ensuite transmettre l'ID de cette tâche à l'appel API create-endpoints pour créer un nouveau point de terminaison ou mettre à jour un point de terminaison existant avec les nouveaux artefacts de modèle générés par cette tâche. Cela permet au nouveau point de terminaison ou à jour de fournir des prévisions de modèle pour les données de graphe mises à jour.

Transformation du modèle pour n'importe quel poste de formation

Vous pouvez également fournir untrainingJobNamepour générer des artefacts de modèle pour toutes les tâches de formation SageMaker lancées lors de la formation sur le modèle Neptune ML. Étant donné qu'un travail de formation sur modèle Neptune ML peut potentiellement lancer de nombreux travaux de formation SageMaker, cela vous donne la flexibilité nécessaire pour créer un point de terminaison d'inférence basé sur n'importe lequel de ces travaux de formation SageMaker.

Par Exemple:

curl \ -X POST https://(your Neptune endpoint)/ml/modeltransform -H 'Content-Type: application/json' \ -d '{ "id" : "(a unique model-training job ID)", "trainingJobName" : "(name a completed SageMaker training job)", "modelTransformOutputS3Location" : "s3://(your Amazon S3 bucket)/neptune-model-transform/" }'

Si la tâche de formation initiale concernait un modèle personnalisé fourni par l'utilisateur, vous devez inclure uncustomModelTransformParameterslors de l'appel d'une transformation de modèle. VoirModèles personnalisés dans Neptune MLpour plus d'informations sur la façon d'implémenter et d'utiliser un modèle personnalisé.

Note

Lemodeltransformexécute toujours la transformation du modèle sur la meilleure tâche de formation SageMaker pour cette formation.

VoirLa commande modeltransformpour de plus amples informations sur les tâches de transformation de modèle.