配置模型

在BML中，Notebook不仅为用户提供了开发环境，而且支持用户将Notebook中开发的模型部署发布到模型仓库以及部署为在线服务。在发布前需要先对已保存的模型配置相应的出入参及数据处理逻辑，从而保证后续模型可被部署。

1. 在左侧导航栏中单击“Notebook”。
2. 在已创建的“dogcat分类模型”的模型发布列表中，单击待部署版本模型所在行的“模型发布列表”。

3. 在模型发布列表中，单击已保存模型所在行的“配置”，如下所示：

   

   • 模型效果：建议记录准确率、召回率等评估指标，便于后续查阅以及进行多版本模型的对比。
   • 模型备注：建议记录模型训练使用的超参数等信息，便于后续查阅。

4. 选择模型文件，如下所示：

   

   可选项为生成当前模型版本时保存的模型文件。

   注意事项

   • 该脚本用于将选择的模型文件发布成模型服务。
   • 用户可以通过修改PredictWrapper的preprocess和postprocess方法来实现自定义的请求预处理和预测结果后处理。
   • 当提交该脚本时，系统会根据用户选择的模型文件和脚本内容，来验证是否可以启动模型服务，只有验证通过，才可以进行模型效果校验以及将模型发布到模型仓库。

   限制和建议

   1. CustomException必需存在且是异常类；在自定义的逻辑中，建议当处理进入错误的分支时,抛出CustomException并指定message，指定的message在请求回包中会作为error_msg返回。
   2. PredictWrapper类必需存在，且必需包含preprocess和postprocess两个方法。
   3. PredictWrapper的preprocess和postprocess方法，是用户自定义模型服务请求预处理和预测结果后处理的入口。
   4. preprocess方法接收的第一个参数为用户请求的json字典，对于图像类服务，传入图像的参数key必须是"image"，且传入的是图片的base64编码。

   5. 系统会根据postprocess方法的返回结果result类型的不同，做以下处理：

      • dict: 不作修改
      • list: 转换为 {"results": result}
      • 其他: 转换为 {"result": result}
      • 最终的处理结果可以转换为json字符串，以确保能够正常将结果作为请求回包返回

   6. 单击“提交”，完成模型配置。

      提交后，系统会自动对当前版本模型进行代码验证，通过后模型会更新为“有效”状态。