使用訓練後的模型來產生新的模型成品

使用 Neptune ML 模型轉換命令，您可以使用預先訓練的模型參數計算模型成品，例如在處理後的圖形資料上進行節點嵌入。

用於增量推論的模型轉換

在增量模型推論工作流程中，於處理了您從 Neptune 匯出的更新圖形資料之後，您可以使用如下的 curl (或 awscurl) 命令啟動模型轉換工作：

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/"
      }'

然後，您可以將此工作的 ID 傳遞至 create-endpoints API 呼叫，以建立新端點，或使用此工作產生的新模型成品更新現有端點。這可讓新的或更新的端點，為更新的圖形資料提供模型預測。

任何訓練工作的模型轉換

您也可以提供 trainingJobName 參數，為 Neptune ML 模型訓練期間啟動的任何 SageMaker 訓練工作產生模型成品。由於 Neptune ML 模型訓練工作可能會啟動許多 SageMaker 訓練工作，因此這可讓彈性地根據其中任何一個 SageMaker 訓練工作建立推論端點。

例如：

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/"
      }'

如果原始訓練工作是針對使用者提供的自訂模型，您必須在調用模型轉換時包含 customModelTransformParameters 物件。如需如何實作並使用自訂模型的相關資訊，請參閱 Neptune ML 中的自訂模型。

注意

modeltransform 命令一律會在該訓練的最佳 SageMaker 訓練工作上執行模型轉換。

如需模型轉換工作的詳細資訊，請參閱 modeltransform 命令。