--- title: deploy-section2-deploy-model tags: DAS GA: UA-155999456-1 --- {%hackmd @docsharedstyle/default %} # 11.2 發佈模型 本文件將教學如何在DAS的部署空間，將準備好的模型部署上去。 會先說明 - DAS(CP4)平台支援的模型檔案格式 - 模型在DAS平台上三種部署方式: 線上部署(Web服務部署, online)、批次部署(batch)、Core ML 接著，再以pmml檔，作為範例，列出部署步驟，並給出對應步驟的截圖畫面與細節說明。 【文件大綱】 --- ## 支援的模型框架 目前DAS版本(CPD ver3.5)所支援的支援的模型框架如下，未來還會支援更多類型， 需要注意的是，不同檔案格式，可能允許部署方式也不盡相同， 基本上除了 script 類型，都支援線上部署(Web服務部署, online)的方式。 - 更多模型檔案格式以及支援部署的細節 - IBM官方英文說明手冊 [Supported frameworks | IBM Cloud Pak for Data](https://www.ibm.com/support/producthub/icpdata/docs/content/SSQNUZ_latest/wsj/analyze-data/pm_service_supported_frameworks.html) - IBM官方中文說明手冊 [支援的架構 | IBM Cloud Pak for Data](https://dataplatform.cloud.ibm.com/docs/content/wsj/analyze-data/pm_service_supported_frameworks.html?context=cpdaas) | Framework | Versions | Online | Batch | CoreML | | --------------------- | ----------------------------------------------------------- | ------ | ------------------------------------- | ------ | | Spark | 2.4 | Yes | Yes <br>Inline payload only | No | | PMML | 3.0 to 4.3 | Yes | Programmatic only <br>Inline payload only | No | | Hybrid/AutoAI | 0.1 | Yes | Yes | No | | SPSS | 17.1 <br>18.1 <br>18.2 | Yes | Yes | No | | Scikit-learn | 0.23 | Yes | Yes | Yes | | XGBoost | 0.9 | Yes | Yes | Yes | | XGBoost | 1.3 | Yes | Yes | Yes | | TensorFlow | 2.1 <br>Training requires Watson Machine Learning Accelerator | Yes | Yes | No | | TensorFlow | 2.4 <br>Training requires Watson Machine Learning Accelerator | Yes | Yes | No | | PyTorch | 1.3.1 <br>Training requires Watson Machine Learning Accelerator | Yes | Yes | No | | PyTorch | 1.7 <br>Training requires Watson Machine Learning Accelerator | Yes | Yes | No | | Decision Optimization | 20.1 <br>12.9(deprecated) <br>12.10(deprecated) | No | Yes | No | | Python function | 0.1 | yes | Programmatic only <br>Inline payload only | no | | Python scripts | 1 | No | Yes | No | | RScript | 1 | No | Yes | No | --- ## 部署方式 DAS平台支援的部署方式如下，注意不同模型框架所支援的部署方式可能不同。 - 線上(online): 也稱為 Web 服務，此部署會在建立部署時載入模型或程式碼，以即時在線上產生預測。 - 批次(batch): 用於處理從資料檔提交的批次輸入、或是透過資料庫連線的資料表。批次部署可以隨需應變或按排程執行。 - Core ML: 用於下載在 iOS 裝置上部署所需的程式碼。 --- ## 部署步驟 在此我們利用 iris 資料集，製作出一個決策樹模型， 將模型儲存為支援的PMML格式，再以線上部署的方式，部署到已經建立好的部署空間。 【補充】 關於製作模型，您可以利用自己擅長的開發語言，如R、Python等，並儲存為支援的檔案格式， 或是利用DA所提供的開發環境: AutoAI、modeler flow，將資料建模後，匯出成模型(Watson Machine Learning Model)， 就可以部署到建立好的部署空間。 -- 以下為操作步驟 - 製作決策樹模型並儲存為PMML格式 - 上傳 PMML 檔案到專案 - 將專案發佈到建立好的部署空間 - 以線上部署的方式，部署模型 - 測試部署成功的模型 -- 以下為各步驟截圖，以及細節說明 - 製作決策樹模型並儲存為PMML格式 以下分別示範用 Rscript 及 python 建立的PMML模型 - 上傳 PMML 檔案到專案 - 將專案發佈到建立好的部署空間 - 以線上部署的方式，部署模型 - 測試部署成功的模型 --- ## END