Модель в: Недопустимое название — Викисловарь

{{l10n_strings. DRAG_TEXT_HELP}}

{{article.content_lang.display}}

{{l10n_strings.AUTHOR_TOOLTIP_TEXT}}

Ревит. Модель в контексте | INT LINES

Что такое модели в контексте?

• Это модели созданные специально для этого проекта.
• Эти модели не планируется использовать в будущих проектах.
• Эти модели часто связаны зависимостями с другой геометрией в проекте
• Эти модели можно использовать в одном проекте несколько раз

Инструменты, доступные для создания модели в контексте
используются и для создания загружаемых семейств.

Какие элементы нужно создавать моделью в контексте?

1. Элемент который не знаете чем делать
2. Элемент который нужен вам только в этом проекте
3. Элемент которому нужно присвоить системную категорию
4. Элемент который нужно присоединить к системной категории

В новом выпуске Enscape добавились следующие нововведения:

Типы объектов сделанных моделью в контексте

• Сложные крыши
• Сложные потолки
• Сложные стены
• Ниши
• Встроенная мебель
• Полки
• Настенный декор
• Лестницы

Алгоритм создания моделей в контексте

1. Выбирается категория модели
2. Выбирается основа
3. Используется инструмент
4. Подтверждается созданная геометрия
5. В случае необходимости повторяются пункты 2-4
6. Подтверждается создание модели в контексте

Инструменты для создания модели в контексте

Инструменты для создание моделей в контексте такие же как и при создании загружаемых семейств.

Особенности моделей в контексте

1. При подсчете площади в спецификации считается площадь эскиза
2. В спецификации всегда идет отдельным пунктом
3. Нельзя получить длину сдвига по траектории

Смотрите полную запись вебинара на эту тему:

«Девушки мечты»: как виртуальные супермодели теснят живых манекенщиц

• Анастасия Анисимова
• для Би-би-си

16 сентября 2018

Автор фото, Instagram/isamayaffrench

Популярные в «Инстаграме» виртуальные модели — персонажи, нарисованные на компьютере, — стали все чаще появляться на страницах глянцевых журналов и в рекламных кампаниях модных домов.

Обычные модели беспокоятся — конкурировать с цифровыми персонажами трудно, ведь они могут меняться, не стареют, не устают и могут не заботиться о внешности и фигуре.

Шуду, первая виртуальная супермодель

В апреле 2017 года британский фотограф Кэмерон Джеймс-Уилсон нарисовал с помощью компьютерной графики виртуальную чернокожую модель Шуду и завел ей «Инстаграм».

У Шуду идеальная кожа, модельная фигура, такой же нарисованный бойфренд и больше 140 тысяч подписчиков в «Инстаграме». В профиле ее аккаунта говорится, что Шуду — это первая цифровая супермодель.

Сначала пользователи гадали, настоящая ли женщина Шуду или робот.

После признания Уилсона, что Шуду — это компьютерное изображение, его обвинили в расизме. Возмущенные комментаторы писали, что белый фотограф нашел еще один способ зарабатывать на темнокожих женщинах.

Этой осенью Шуду начала выходить за пределы «Инстаграма». Виртуальную модель стали снимать для глянцевых журналов и в рекламных кампаниях известных брендов.

Шуду появилась в сентябрьском номере австралийского Vogue. Она же вместе с другими виртуальными моделями стала лицом рекламной кампании бренда Balmain.

Микела — модель и диджей

Американский стартап Brud мог бы поспорить с Уилсоном о том, кто создал первую виртуальную модель. В 2016 году в Brud — компания специализируется на робототехнике и компьютерных технологиях — придумали Микелу. По словам создателей, Микела также реальна, как певица Рианна.

Согласно ее аккаунту в «Инстаграме», Микеле 19 лет. Она живет в Лос-Анджелесе, называет себя роботом, поддерживает движение Black Lives Matter и записывает музыкальные треки. Любовь к музыке легко объяснима: глава компании Brud — продюсер и диджей Тревор Макфедрис, в прошлом он работал с Кэти Перри и Крисом Брауном.

Вместе с Микелой сотрудники Brud создали двух других виртуальных моделей — пару Бермуду и Блауко.

По сведениям Techcrunch, в 2018 году компания Brud сумела собрать инвестиции от крупных американских венчурных фирм на сумму 6 млн долларов.

В феврале Микела официально объявила о сотрудничестве с домом моды Prada. В сентябре она появилась в британском и американском Vogue.

«Девушки мечты»

Кэмерон Джеймс-Уилсон, создавший Шуду, специально для рекламы Balmain нарисовал еще двух моделей — Чжи и Марго.

Автор фото, Balmain

Из профиля Шуду в «Инстаграме» можно попасть на официальный сайт агентства цифровых моделей. Он работает как сайт стандартного модельного агентства — там можно посмотреть на моделей, их снимки, а также связаться с владельцами агентства и договориться об участии компьютерных изображений в рекламных кампаниях.

На сайте в разделе «Модели» помимо Шуду можно найти девушку по имени Брен. Заметно, что Брен не такая худая, как ее коллеги по агентству.

Автор фото, THE DIGITALS

Уилсон говорит, что он не пытается заменить настоящих манекенщиц виртуальными моделями.

«Это мой способ творчества. Мы живем в мире, где все становится фальшивкой, поэтому я захотел создать фантазию, которая стала бы настоящей», — говорит фотограф.

Оливье Рустен, креативный директор бренда Balmain, назвал виртуальных моделей «девушками мечты» и подчеркнул, что их присутствие в модных журналах внесет разнообразие в мир глянца.

В официальном заявлении компании было сказано: «Виртуальная армия моделей — это отражение красоты, уверенности и силы».

«Им даже не нужно ходить на кастинги»

Появление виртуальных моделей в рекламных кампаниях известных брендов вызвало тревогу в модельном сообществе.

«Конкурировать с несуществующими идеальными женщинами действительно страшно. Любая одежда будет сидеть на них идеально. Плюс им даже не нужно ходить на кастинги», — сказала Би-би-си британская модель Луис Стоун, которая работает с L’Oreal и Adidas.

Создателей чернокожих виртуальных моделей критикуют за то, что они занимают нишу, которая и так представлена не так широко в модельном бизнесе. Вместо Шуду в рекламных кампаниях могли бы принимать участие реальные чернокожие модели.

Многие критики также отмечают, что виртуальные модели могут негативно влиять на потребителей.

«Посыл рекламной кампании Balmain c участием цифровых моделей очень нереалистичен. Это может негативно повлиять на самооценку людей. Многие из нас и так переживают непростые времена из-за социальных сетей, которые формируют стандарты красоты. Популярность виртуальных моделей может только ухудшить ситуацию», — считает он.

Модель в хиджабе отказалась рекламировать шампуни L’Oreal после скандала

23 января 2018

Автор фото, Amenaofficial/instagram

Амена Хан должна была рекламировать средства для волос

Британская бьюти-блогер Амена Хан, которая должна была рекламировать косметику для волос L’Oreal в хиджабе, отказалась от дальнейшего сотрудничества с компанией. Причиной тому стали записи в «Твиттере» модели, которые были расценены как «антиизраильские».

Амена Хан извинилась перед своими подписчиками, удалила твиты трехлетней давности и решила не продолжать работу в косметическом гиганте.

В последнем ее «Инстаграм»-посте говорится: «Я глубоко сожалею о содержании тех твитов, что я написала в 2014 году, и искренне прошу прощения у всех тех, кого они огорчили или обидели… Я решила удалить их, так как они не способствуют гармонии, которую я хочу нести в мир… С большим сожалением я решила больше не участвовать в кампании, так как нынешнее обсуждение отвлекает внимание от того позитивного настроя и стремления к инклюзивности».

Содержание твитов не раскрывается.

В L’Oreal поддержали решение модели: «L’Oreal следует принципам толерантности и уважения ко всем людям. Мы рады, что Амена извинилась за содержание твитов и за принесенный ими моральный ущерб», — сказал Би-би-си Newsbeat представитель L’Oreal.

Амена Хан должна была стать первой моделью L’Oreal в хиджабе, рекламирующей средства по уходу за волосами.

«Это возможность услышать разные голоса женщин, которые не вписываются в узкое понятие красоты», — говорила она.

Автор фото, AMENAOFFICIAL

«Это совершенно новая кампания!!! В последнее время у меня сложные отношения с волосами, они тусклые. Когда я снимаю платок, мне хочется видеть свои волосы более сияющими — разве так не у всех?» — написала она в «Инстаграм», анонсируя сотрудничество с косметическим брендом.

Это уже не первый пример того, как попытки L’Oreal продвигать в своей деятельности принцип многообразия в обществе терпят неудачу.

В сентябре косметическая компания вынуждена была расторгнуть контракт со своей первой трансгендерной моделью, чернокожей Монро Бергдорф, после того как та опубликовала в интернете расистские высказывания.

Бергдорф, которая была отобрана в числе моделей для участия в проводимой L’Oreal кампании #allworthit («все этого достойны»), написала в «Фейсбуке», что «все белые — расисты».

Создание модели данных в Excel

Модель данных позволяет интегрировать данные из нескольких таблиц, эффективно создавая реляционный источник данных внутри книги Excel. В Excel модели данных используются прозрачно, предоставляя табличные данные, используемые в сводных таблицах и сводных диаграммах. Модель данных визуализируется как набор таблиц в списке полей, и в большинстве случаев вы даже не узнаете, что это там есть.

Прежде чем вы сможете начать работу с моделью данных, вам необходимо получить некоторые данные.Для этого мы будем использовать интерфейс Get & Transform (Power Query), поэтому вы можете сделать шаг назад и посмотреть видео или следовать нашему учебному руководству по Get & Transform и Power Pivot.

Предварительные требования

Где Power Pivot?

Где получить и преобразовать (Power Query)?

• Excel 2016 и Excel для Microsoft 365 — Get & Transform (Power Query) интегрирован с Excel на вкладке Data .

• Excel 2013 — Power Query — это надстройка, которая входит в состав Excel, но ее необходимо активировать. Перейдите в File > Options > Add-Ins , затем в раскрывающемся списке Manage внизу панели выберите COM Add-Ins > Go . Отметьте Microsoft Power Query для Excel , затем OK , чтобы активировать его.Вкладка Power Query будет добавлена ​​на ленту.

• Excel 2010 — Загрузите и установите надстройку Power Query. После активации на ленту будет добавлена ​​вкладка Power Query .

Начало работы

Во-первых, вам нужно получить некоторые данные.

1. В Excel 2016 и Excel для Microsoft 365 используйте Data > Get & Transform Data > Get Data для импорта данных из любого количества внешних источников данных, таких как текстовый файл, книга Excel, веб-сайт, Microsoft Access, SQL Server или другая реляционная база данных, содержащая несколько связанных таблиц.

   В Excel 2013 и 2010 перейдите к Power Query > Получить внешние данные и выберите свой источник данных.

2. Excel предложит вам выбрать таблицу. Если вы хотите получить несколько таблиц из одного источника данных, отметьте Включить выбор нескольких таблиц . Когда вы выбираете несколько таблиц, Excel автоматически создает для вас модель данных.

3. Выберите одну или несколько таблиц, затем щелкните Загрузить .

   Если вам нужно отредактировать исходные данные, вы можете выбрать опцию Редактировать . Дополнительные сведения см. В разделе: Введение в редактор запросов (Power Query).

Теперь у вас есть модель данных, которая содержит все импортированные вами таблицы, и они будут отображаться в списке полей сводной таблицы .

Примечания:

• Модели создаются неявно при одновременном импорте двух или более таблиц в Excel.

• Модели создаются явно, когда вы используете надстройку Power Pivot для импорта данных. В надстройке модель представлена ​​в виде вкладок, аналогичных Excel, где каждая вкладка содержит табличные данные. См. Раздел Получение данных с помощью надстройки Power Pivot, чтобы узнать об основах импорта данных с использованием базы данных SQL Server.

• Модель может содержать одну таблицу. Чтобы создать модель на основе только одной таблицы, выберите таблицу и щелкните Добавить в модель данных в Power Pivot.Вы можете сделать это, если хотите использовать функции Power Pivot, такие как отфильтрованные наборы данных, вычисляемые столбцы, вычисляемые поля, ключевые показатели эффективности и иерархии.

• Связи таблиц могут быть созданы автоматически, если вы импортируете связанные таблицы, у которых есть отношения первичного и внешнего ключей. Excel обычно может использовать импортированную информацию о взаимосвязях в качестве основы для взаимосвязей таблиц в модели данных.

• Советы по уменьшению размера модели данных см. В разделе Создание модели данных с эффективным использованием памяти с помощью Excel и Power Pivot.

• Для дальнейшего изучения см. Учебник: Импорт данных в Excel и Создание модели данных.

Создание отношений между таблицами

Следующим шагом является создание отношений между вашими таблицами, чтобы вы могли извлекать данные из любой из них. Каждая таблица должна иметь первичный ключ или уникальный идентификатор поля, например, идентификатор студента или номер класса.Самый простой способ — перетащить эти поля, чтобы соединить их в Power Pivot Diagram View .

1. Перейдите к Power Pivot > Управляйте .

2. На вкладке Home выберите Diagram View .

3. Отобразятся все ваши импортированные таблицы, и вам может потребоваться некоторое время, чтобы изменить их размер в зависимости от количества полей в каждой из них.

4. Затем перетащите поле первичного ключа из одной таблицы в другую. Следующий пример — это диаграмма наших студенческих столов:

   Мы создали следующие ссылки:

   • tbl_Students | Студенческий билет> tbl_Grades | Студенческий билет

     Другими словами, перетащите поле «Идентификатор студента» из таблицы «Студенты» в поле «Идентификатор студента» в таблице «Оценки».

   • тбл_семестры | Идентификатор семестра> tbl_Grades | Семестр

   • tbl_Classes | Номер класса> tbl_Grades | Номер класса

   Примечания:

   • Имена полей не обязательно должны быть одинаковыми для создания связи, но они должны быть одного и того же типа данных.

   • Разъемы в Diagram View имеют цифру «1» с одной стороны и «*» с другой. Это означает, что между таблицами существует связь «один ко многим», которая определяет, как данные используются в ваших сводных таблицах. См .: Отношения между таблицами в модели данных, чтобы узнать больше.

   • Соединители указывают только на наличие связи между таблицами.Они фактически не покажут вам, какие поля связаны друг с другом. Чтобы увидеть ссылки, перейдите в Power Pivot > Manage > Design > Relationships > Manage Relationships . В Excel вы можете перейти к Data > Relationships .

Использование модели данных для создания сводной таблицы или сводной диаграммы

Книга Excel может содержать только одну модель данных, но эта модель содержит несколько таблиц, которые можно многократно использовать в книге.Вы можете добавить больше таблиц в существующую модель данных в любое время.

1. В Power Pivot перейдите к Управление .

2. На вкладке Home выберите PivotTable .

3. Выберите, где вы хотите разместить сводную таблицу: новый рабочий лист или текущее местоположение.

4. Нажмите ОК , и Excel добавит пустую сводную таблицу с панелью списка полей, отображаемой справа.

Затем создайте сводную таблицу или сводную диаграмму. Если вы уже создали связи между таблицами, вы можете использовать любое из их полей в сводной таблице. Мы уже создали отношения в учебном пособии по модели данных ученика.

Добавить существующие несвязанные данные в модель данных

Предположим, вы импортировали или скопировали много данных, которые хотите использовать в модели, но не добавили их в модель данных.Вставить новые данные в модель проще, чем вы думаете.

1. Начните с выбора любой ячейки в данных, которую вы хотите добавить в модель. Это может быть любой диапазон данных, но лучше всего отформатировать данные в виде таблицы Excel.

2. Используйте один из следующих подходов для добавления данных:

3. Щелкните Power Pivot > Добавить в модель данных .

4. Щелкните Вставить > Сводная таблица , а затем отметьте Добавить эти данные в модель данных в диалоговом окне «Создание сводной таблицы».

Диапазон или таблица теперь добавлены в модель как связанная таблица. Дополнительные сведения о работе со связанными таблицами в модели см. В разделе Добавление данных с помощью связанных таблиц Excel в Power Pivot.

Добавление данных в таблицу Power Pivot

В Power Pivot нельзя добавить строку в таблицу путем прямого ввода новой строки, как на листе Excel.Но вы можете добавлять строки, копируя и вставляя или обновляя исходные данные и обновляя модель Power Pivot.

Нужна дополнительная помощь?

Вы всегда можете спросить эксперта в техническом сообществе Excel или получить поддержку в сообществе ответов.

См. Также

Учебные руководства Get & Transform и Power Pivot

Введение в редактор запросов (Power Query)

Создание модели данных с эффективным использованием памяти с помощью Excel и Power Pivot

Учебник: импорт данных в Excel и создание модели данных

Узнайте, какие источники данных используются в модели данных книги

Отношения между таблицами в модели данных

Модель общественного психического здоровья в Италии заслужила признание во всем мире.Теперь ему грозит гибель: NPR

Старая психиатрическая больница находится в парке Сан-Джованни в Триесте. Объект закрылся более 40 лет назад, но его охристые павильоны полны активности. Сильвия Поджиоли / NPR скрыть подпись

Старая психиатрическая больница находится в парке Сан-Джованни в Триесте.Объект закрылся более 40 лет назад, но его охристые павильоны полны активности.

ТРИЕСТ, Италия. В парке Сан-Джованни в Триесте находится старая психиатрическая больница, рядом с большим розарием, простирающимся на холм над городом. Объект закрылся более 40 лет назад, но его охристые павильоны полны активности.

В одном здании Radio Fragola (Strawberry Radio) передает новости и информацию об общественных услугах.По соседству находится Il Posto delle Fragole (Клубничный патч), кафе и место встречи. (Их имена — отсылка к фильму Ингмара Бергмана Wild Strawberries .) Внизу по коридору рабочие заняты шитьем галстуков, сумок и одежды.

Персоналу этих операций, а также кафе, музеев, библиотек и других рабочих мест по всему городу помогают люди с психическими заболеваниями, которые принадлежат к социальному кооперативу La Collina (Холм).

Все это часть так называемой модели Триеста, подхода, восходящего к 1960-м годам, который признан Всемирной организацией здравоохранения одной из самых передовых систем психиатрической помощи на уровне общины.В отличие от прошлого, когда психиатрических пациентов помещали в учреждения, где они сталкивались с жестоким обращением, модель Триеста была направлена ​​на достойное лечение людей с психическими заболеваниями, в том числе в обществе и в повседневной деятельности.

«Свобода лечебна», — гласит лозунг движения, нарисованный на здании старой больницы.

Но теперь эксперты в области здравоохранения заявляют, что свобода находится под угрозой. Правое руководство региона начинает разрушать общественную систему, финансируемую государством.

Швейная мастерская находится в старой психиатрической больнице, являющейся частью социального кооператива, который связывает людей с психическими заболеваниями с работой. Сильвия Поджиоли / NPR скрыть подпись

Пациенты были заперты

Старая психиатрическая больница в Триесте использовалась для принудительного содержания людей внутри, по словам Ренцо Бонна, психиатра и бывшего директора службы психического здоровья в соседнем городе Удине.

«Вы [потеряете] все свои гражданские права. У вас не будет права голоса. Вы не сможете получить наследство. Вы не сможете жениться», — говорит он.

Некоторых пациентов запирали в клетки, связывали смирительными рубашками и подвергали ваннам с ледяной водой, электрошоку и лоботомии.

Если пациенты не будут освобождены в течение 30 дней, заключение, по словам Бонна, может длиться бесконечно. «В результате люди однажды попали в психиатрическую больницу, всю свою жизнь провели в психиатрической больнице», — говорит он.

Началась революция в сфере охраны психического здоровья

Все изменилось в конце 1960-х годов с приходом психиатра Франко Басальи, который считал, что старые психиатрические больницы использовались как свалки для бедных и ненормальных.

«Когда пациентов связывают, порабощают и держат в плену, я не верю, что какая-либо терапия может им помочь. Я не вижу возможного лечения, когда нет свободного общения между пациентом и врачом», — сказал он в 1969 году. ТВ-интервью.

Басалья произвел революцию в приюте: он разрушил стены, отменил привязывание пациентов и призвал их взять свою жизнь под контроль.

Вскоре пациенты стали не только открывать кафе на территории и получать зарплату на реальной работе, но и проводить собрания пациентов в масштабах всей больницы.

Когда в Триест пришел джаз

Пантхо Рамас, заведующий архивами больницы, говорит, что он стал культурным центром, включая памятный концерт 1974 года для пациентов американского мастера джаза.«И Орнетт Коулман сказал, что это был самый глубокий фри-джазовый концерт, который он давал за всю свою жизнь», — говорит Рамас.

Незадолго до концерта, рассказывает Рамас, 50-летняя пациентка по имени Розетта Лохаконо вышла на пустую сцену и начала играть на губной гармошке. Коулман присоединился к ней, и их джем-сейшн длился больше часа.

«Он потерял представление о том, кто был музыкантом, кто был публикой, — говорит Рамас, — кто был врачом, кто был художником, кто был слушателем. И я думаю, что это момент поэзии.И я чувствую, что это место, полное поэзии ».

В интервью позже одному из организаторов концерта саксофонист Коулман сказал:« Я чувствовал себя совершенно непринужденно, очень нормально. … Мне понравилось это чувство, мы все были свободны. … Музыка может это сделать, потому что звук — это наука о чувствах ».

Италия отменила убежища, но есть реакция правых

Реформы Басальи в конечном итоге привели к принятию закона 1978 года, который отменил все психиатрические дома в Италии. Он умер в 1980, но его работа продолжалась, и, по словам Роберто Мецзина, бывшего директора службы психического здоровья Триеста, модель Триеста общественной психиатрической помощи, финансируемой государством, была скопирована в нескольких регионах Италии и более чем в 40 странах.

Но теперь его ликвидирует администрация региона Фриули-Венеция-Джулия во главе с крайне правой Северной Лигой и другими правыми партиями.

Меззина, ныне вице-президент Всемирной федерации психического здоровья, говорит, что на протяжении десятилетий цель региональных политиков правого крыла заключалась в том, чтобы положить конец модели Триеста и перейти к приватизации.

По его словам, модель является «символом чего-то, что было создано в области социальных прав, прав человека и считалось частью левой культуры.»

В начале октября региональное правительство объявило о планах закрыть семь из 22 общинных центров психического здоровья Фриули-Венеция-Джулия и сократить часы работы в остальных центрах. Оно также планирует сократить количество старших психиатров и заведующих отделениями, сохранив при этом большое количество вакансии не заполнены.

Региональные органы здравоохранения не ответили на неоднократные запросы NPR о комментариях.

Международное медицинское сообщество сопротивляется в частный сектор.

Аллен Фрэнсис, профессор и почетный заведующий кафедрой психиатрии в Университете Дьюка, говорит, что вместо того, чтобы использовать принуждение и лекарства как решение всех проблем, за моделью Триеста стоит гуманность и общественный дух.

«Сообщество было настроено рассматривать психически больных не как помеху, которую нужно сослать в больницы, тюрьмы и тюрьмы или оставить бездомными на улице, — говорит Фрэнсис, — а скорее как потенциально очень полезных граждан, которые заслуживают внимания и ресурсов. города и может внести в это значительный вклад.»

Пациент вспоминает заключение и электрошок

Один пациент, переживший революцию в области психического здоровья, — 75-летний Джордано Васкотто.

» Я приехал сюда, когда мне было 9 лет, это был 1955 год, я помню месяц, октябрь , — говорит он, описывая психиатрическую больницу в Триесте. «Окна были заперты, двери заперты. Потом мне дали электрошок. Прошло много лет ».

После 20 лет заключения Васкотто был освобожден.

«Я приехал сюда, когда мне было 9 лет, это был 1955 год, я помню месяц, октябрь», — говорит Джордано Васкотто, описывая психиатрическую больницу в Триесте.«Окна были заперты, двери заперты. Потом они подвергли меня электрошоку. Прошло много лет». Сильвия Поджиоли / NPR скрыть подпись

«После приюта я засучил рукава и пошел работать — сначала на кладбище, потом сборщик мусора и швейцар.Прошли годы, и теперь я на пенсии », — говорит он.

Как и другие пациенты, Vascotto может часто посещать центры психического здоровья, открытые круглосуточно

, которые больше похожи на клубы, которые предоставляют еду и где всегда есть готовый слух.

Меззина, бывший чиновник здравоохранения Триеста, говорит, что уровень самоубийств, наркомании, госпитализаций и бездомности в городе значительно снизился за последние 15 лет.

Но он подчеркивает, что пандемия коронавируса продемонстрировала слабость

частных принадлежащие больницы — это указывает на многие итальянские дома престарелых, где вирус распространяется бесконтрольно, вызывая рекордное число смертей.

И сама пандемия, добавляет он, спровоцировала рост психиатрических проблем.

«Распространенные психические расстройства, тревога, депрессия и посттравматический стресс. У нас есть цифры, которые удваивают количество молодых клиентов, например, в отношении психического здоровья молодежи, наблюдается огромный рост», — говорит Меззина.

В обращении, написанном для британского медицинского журнала The Lancet , Фрэнсис из Университета Дьюка говорит, что спасение Триеста — это не только местная итальянская проблема.

«Когда Триест умирает, это определенно убивает вдохновение для других мест, чтобы скопировать его», — говорит Фрэнсис NPR.

Он также сравнивает ситуацию с Соединенными Штатами, где, по его словам, сокращение коммунальных услуг и больничных коек в последние десятилетия оставило большое количество пациентов с психическими заболеваниями без крова или тюремного заключения.

Если Триест не сможет предоставить надлежащие услуги людям с психическими заболеваниями, добавляет он, ему придется платить больше за полицию, отделения неотложной помощи и тюрьмы.

Стандартная модель | ЦЕРН

Силы и частицы носителя

Во Вселенной действуют четыре фундаментальные силы: сильная, слабая, электромагнитная и гравитационная. Они работают в разных диапазонах и имеют разные сильные стороны. Гравитация самая слабая, но у нее бесконечный диапазон. Электромагнитная сила также имеет бесконечный диапазон, но она во много раз сильнее силы тяжести. Слабые и сильные взаимодействия эффективны только в очень коротком диапазоне и доминируют только на уровне субатомных частиц.Несмотря на свое название, слабая сила намного сильнее гравитации, но действительно самая слабая из трех других. Сильное взаимодействие, как следует из названия, является самым сильным из всех четырех фундаментальных взаимодействий.

Три фундаментальные силы возникают в результате обмена частицами-носителями силы, которые принадлежат к более широкой группе, называемой «бозонами». Частицы вещества передают дискретное количество энергии, обмениваясь бозонами друг с другом. Каждой фундаментальной силе соответствует свой собственный бозон: сильная сила переносится «глюоном», электромагнитная сила переносится «фотоном», а «W- и Z-бозоны» ответственны за слабую силу.Хотя это еще не найдено, «гравитон» должен быть соответствующей частицей гравитации, несущей силу. Стандартная модель включает электромагнитные, сильные и слабые взаимодействия и все их частицы-носители и хорошо объясняет, как эти силы действуют на все частицы материи. Однако самая известная сила в нашей повседневной жизни, гравитация, не является частью Стандартной модели, поскольку удобное включение гравитации в эту структуру оказалось сложной задачей. Квантовая теория, используемая для описания микромира, и общая теория относительности, используемая для описания макромира, трудно вписать в единую структуру.Никому не удалось сделать эти два математически совместимыми в контексте Стандартной модели. Но, к счастью для физики элементарных частиц, когда дело доходит до мельчайших масштабов частиц, эффект гравитации настолько слаб, что им можно пренебречь. Только когда материя находится в большом объеме, например, в масштабе человеческого тела или планет, влияние гравитации преобладает. Таким образом, Стандартная модель по-прежнему работает хорошо, несмотря на то, что она неохотно исключает одну из фундаментальных сил.

Экспериментальный NIDDM: разработка новой модели у взрослых крыс, которым вводили стрептозотоцин и никотинамид

Мы воспользовались преимуществом частичной защиты, обеспечиваемой подходящими дозировками никотинамида против бета-цитотоксического действия стрептозотоцина (STZ), чтобы создать новый экспериментальный диабетический синдром у взрослых крыс, который кажется более близким к NIDDM, чем другие доступные животные модели в отношении чувствительности к инсулину. глюкоза и сульфонилмочевины.Среди различных доз никотинамида, испытанных на 3-месячных крысах Wistar (100-350 мг / кг массы тела), доза 230 мг / кг, вводимая внутрибрюшинно за 15 минут до введения STZ (65 мг / кг внутривенно), дала максимум у животных с умеренной и стабильной гипергликемией без еды (155 +/- 3 против 121 +/- 3 мг / дл в контроле; P <0,05) и 40% сохранением запасов инсулина поджелудочной железы. Мы также оценили функцию бета-клеток как in vitro, так и in vivo через 4-9 недель после индукции диабета. В изолированной перфузируемой поджелудочной железе отчетливо присутствовал инсулиновый ответ на повышение уровня глюкозы (5-11 ммоль / л), хотя и значительно сниженный по сравнению с контролем (P <0.01). Более того, инсулиновый ответ на толбутамид (0,19 ммоль / л) был аналогичен таковому при нормальной поджелудочной железе. Перфузированные поджелудочные железы животных с диабетом также проявляли поразительную гиперчувствительность к инфузии аргинина (7 ммоль / л). У крыс, которым вводили СТЗ плюс никотинамид, внутривенные тесты на толерантность к глюкозе выявили явные отклонения в толерантности к глюкозе и инсулинореактивности, которые, что интересно, были устранены введением толбутамида (40 мг / кг в / в). В заключение, этот новый синдром NIDDM со сниженными запасами инсулина в поджелудочной железе, который похож на NIDDM у человека в том, что он имеет значительную реакцию на глюкозу (хотя и ненормальную по кинетике) и сохраненную чувствительность к толбутамиду, может предоставить особенно полезный инструмент для фармакологических исследований новые инсулинотропные средства.

Рамки профилактики | Предотвращение насилия | Центр травм | CDC

CDC — остановить насилие до того, как оно начнется. Профилактика требует понимания факторов, влияющих на насилие. CDC использует четырехуровневую социально-экологическую модель, чтобы лучше понять насилие и влияние потенциальных стратегий предотвращения.

Эта модель рассматривает сложное взаимодействие между индивидуумом, отношениями, сообществом и социальными факторами.Это позволяет нам понять ряд факторов, которые подвергают людей риску насилия или защищают их от переживания или совершения насилия. Перекрывающиеся кольца в модели показывают, как факторы на одном уровне влияют на факторы на другом уровне.

Помимо разъяснения этих факторов, модель также предполагает, что для предотвращения насилия необходимо действовать одновременно на нескольких уровнях модели. Такой подход с большей вероятностью поддержит усилия по профилактике с течением времени и достигнет воздействия на уровне населения.

Физическое лицо

Первый уровень определяет биологические и личные исторические факторы, которые увеличивают вероятность стать жертвой или исполнителем насилия. Некоторые из этих факторов — возраст, образование, доход, употребление психоактивных веществ или злоупотребления в прошлом. Стратегии предотвращения на этом уровне продвигают взгляды, убеждения и поведение, предотвращающие насилие. Конкретные подходы могут включать в себя разрешение конфликтов и обучение жизненным навыкам, социально-эмоциональное обучение, а также программы навыков безопасных свиданий и здоровых отношений.

Отношения

Второй уровень изучает близкие отношения, которые могут увеличить риск столкновения с насилием в качестве жертвы или преступника. Ближайшее социальное окружение человека — сверстники, партнеры и члены семьи — влияет на его поведение и вносит свой вклад в его жизненный опыт. Стратегии профилактики на этом уровне могут включать в себя программы профилактики, ориентированные на родителей или семью, а также программы наставничества и сверстников, разработанные для укрепления общения между родителями и детьми, продвижения позитивных норм сверстников, навыков решения проблем и развития здоровых отношений.

Сообщество

Третий уровень исследует условия, такие как школы, рабочие места и районы, в которых возникают социальные отношения, и пытается определить характеристики этих условий, которые связаны с тем, чтобы стать жертвами или виновниками насилия. Стратегии предотвращения на этом уровне сосредоточены на улучшении физической и социальной среды в этих условиях (например, путем создания безопасных мест, где люди живут, учатся, работают и играют) и на устранении других условий, которые приводят к насилию в сообществах (например, путем создания безопасных мест, где люди живут, учатся, работают и играют).ж., бедность по соседству, сегрегация по месту жительства и нестабильность, высокая плотность точек продаж).

Социальный

Четвертый уровень рассматривает общие социальные факторы, которые помогают создать климат, в котором поощряется или сдерживается насилие. Эти факторы включают социальные и культурные нормы, которые поддерживают насилие как приемлемый способ разрешения конфликтов. К другим важным социальным факторам относятся политика в области здравоохранения, экономики, образования и социальной защиты, которая помогает поддерживать экономическое или социальное неравенство между группами общества.Стратегии профилактики на этом уровне включают усилия по продвижению социальных норм, защищающих от насилия, а также усилия по укреплению финансовой безопасности домохозяйств, возможностей образования и трудоустройства, а также другие меры политики, влияющие на структурные детерминанты здоровья.

Ссылка: Dahlberg LL, Krug EG. Насилие: глобальная проблема общественного здравоохранения. В: Krug E, Dahlberg LL, Mercy JA, Zwi AB, Lozano R, eds. Всемирный доклад о насилии и здоровье.
Женева, Швейцария: Всемирная организация здравоохранения; 2002: 1-21.

SHAP: объясните любую модель машинного обучения на Python | by Khuyen Tran

Вместе они вносят 300 долларов в разницу между использованием 3-х различных типов рекламы и отсутствием рекламы! Довольно круто, не правда ли?

Теперь, когда мы понимаем значение Шепли, давайте посмотрим, как мы можем использовать его для интерпретации модели машинного обучения.

SHAP — это библиотека Python, которая использует значения Шепли для объяснения вывода любой модели машинного обучения.

Чтобы установить SHAP, введите:

 pip install shap 

Обучите модель

Чтобы понять, как работает SHAP, мы поэкспериментируем с набором рекламных данных, загруженным с Kaggle:

Мы построим модель машинного обучения, чтобы предсказать, будет ли Пользователь нажал на объявление, основываясь на некоторой информации об этом человеке.

Мы будем использовать Пэтси, чтобы превратить DataFrame в массив функций и массив целевых значений:

Разделим данные на обучающие и тестовые наборы:

Далее мы будем использовать XGBoost для построения модели и делать прогнозы:

Чтобы увидеть, насколько хорошо модель работает, мы будем использовать оценку F1:

 0.961
1
19 

Довольно хорошо!

Интерпретация модели

Модель хорошо предсказывала, щелкнул ли пользователь по объявлению. Но как он пришел к таким предсказаниям? Насколько каждая особенность повлияла на разницу между окончательным прогнозом и средним прогнозом?

Обратите внимание, что эта проблема очень похожа на проблему, которую мы рассмотрели в начале статьи.

Вот почему определение значения Шепли каждой функции может помочь нам определить их вклад.Шаги для определения важности признака i, где i — индекс признаков, аналогичны предыдущим:

• Получить все подмножества, которые не содержат признак i
• Найдите предельный вклад признака i в каждый из этих подмножеств
• Сгруппируйте все предельные вклады для вычисления вкладов признака i

Чтобы найти значения Шепли с помощью SHAP, просто вставьте свою обученную модель в shap.Explainer :

Визуализируйте объяснение первого прогноза:

Ага! Теперь мы знаем вклад каждой функции в первый прогноз.Пояснения к приведенному выше графику:

• Синяя полоса показывает, насколько конкретная функция снижает значение прогноза.
• Красная полоса показывает, насколько конкретная функция увеличивает значение прогноза.
• Отрицательные значения подразумевают вероятность того, что пользователь щелкнул объявление, меньше 0,5

Для каждого из этих подмножеств SHAP не удаляет элемент, а затем повторно обучает модель, а заменяет эту функцию средним значением этой функции, а затем генерирует предсказания.

Мы должны ожидать, что общий вклад будет равен разнице между предсказанием и средним предсказанием. Давайте проверим, что:

Cool! Они равны.

Визуализируйте объяснение второго прогноза:

Вместо того, чтобы смотреть на каждый отдельный экземпляр, мы можем визуализировать общее влияние этих функций на несколько экземпляров, используя сводный график SHAP:

Сводный график SHAP сообщает нам наиболее важные функции и диапазон их влияния на набор данных.

Из приведенного выше графика мы можем получить некоторые интересные сведения о прогнозах модели:

• Ежедневное использование Интернета пользователем оказывает сильнейшее влияние на то, нажал ли этот пользователь на объявление.
• По мере увеличения ежедневного использования Интернета , вероятность того, что пользователь нажмет на рекламу , на меньше .
• По мере увеличения ежедневного времени, проводимого на сайте, пользователь на с меньшей вероятностью нажмет на объявление .
• По мере увеличения дохода области , пользователь с меньшей вероятностью нажмет на объявление .
• По мере того, как возраст увеличивается, пользователь с большей вероятностью нажмет на объявление .
• Если пользователь мужчина , этот пользователь с меньшей вероятностью нажмет на объявление .

Мы также можем получить график важности глобального объекта, используя гистограмму SHAP.

Мы можем наблюдать влияние одной функции на все прогнозы, сделанные моделью, используя диаграмму разброса зависимости SHAP.

Ежедневное использование Интернета

График разброса функции ежедневного использования Интернета:

Из приведенного выше графика мы видим, что по мере увеличения ежедневного использования Интернета значение SHAP для ежедневного использования Интернета уменьшается. Это подтверждает то, что мы видели в предыдущем сюжете.

Мы также можем наблюдать взаимодействие между функцией ежедневного использования Интернета с другими функциями на том же графике, добавив color = shap_values ​​.

На диаграмме разброса будет предпринята попытка выделить столбец с характеристиками, наиболее сильно взаимодействующий с ежедневным использованием Интернета, то есть ежедневным временем, проведенным на сайте.

Cool! Из графика выше мы видим, что человек, который использует Интернет в течение 150 минут в день и проводит небольшое количество времени на веб-сайте в день, с большей вероятностью нажмет на объявление.

Давайте посмотрим на диаграммы рассеяния некоторых других характеристик:

Ежедневное время, проведенное на сайте

Доход от района

Возраст

Пол

Вы также можете наблюдать за матрицей из взаимодействий между функциями с помощью сводного графика значений взаимодействия SHAP.На этом графике основные эффекты расположены по диагонали, а эффекты взаимодействия — вне диагонали.

Довольно круто!

Поздравляем! Вы только что узнали о ценности Shapey и о том, как использовать ее для интерпретации модели машинного обучения. Я надеюсь, что эта статья даст вам необходимые знания для интерпретации вашей собственной модели машинного обучения с использованием Python.

Я рекомендую ознакомиться с документацией SHAP, чтобы узнать больше о других приложениях SHAP.

Не стесняйтесь поиграть с исходным кодом в этом интерактивном блокноте или форк моего репозитория:

Развертывание моделей | Прогнозирование платформы AI | Google Cloud

На этой странице объясняется, как развернуть вашу модель в AI Platform Prediction, чтобы получить предсказания.

Чтобы развернуть обученную модель на AI Platform Prediction, вы должен:

• Загрузите сохраненную модель в корзину Cloud Storage.
• Создайте ресурс модели прогнозирования платформы AI.
• Создайте ресурс версии прогноза платформы AI, указав путь в облачном хранилище к сохраненной модели.

Прежде чем начать

Обучите свою модель машинного обучения и следуйте инструкциям по экспорту моделей для предсказание для создания артефактов модели которые можно развернуть в AI Platform Prediction.

Сохраните вашу модель в облачном хранилище

Как правило, проще всего использовать выделенную корзину облачного хранилища в том же проект, который вы используете для прогнозирования платформы AI.

Если вы используете ведро в другом проекте, убедитесь, что ваш Учетная запись службы прогнозирования платформы AI может получить доступ к вашей модели в Облачное хранилище. Без соответствующих разрешений ваш запрос на создание Версия модели AI Platform Prediction не работает. Узнать больше о предоставление разрешений на хранение.

Настройка корзины облачного хранилища

В этом разделе показано, как создать новую корзину. Вы можете использовать существующий ведро, но оно должно находиться в том же регионе, где вы планируете запускать платформу AI. рабочие места. Кроме того, если он не является частью проекта, который вы используете для запуска Прогнозирование платформы AI, вы должны явно даровать доступ к учетным записям службы AI Platform Prediction.

1. Укажите имя для вашего нового сегмента. Имя должно быть уникальным для всех ведра в облачном хранилище.

   BUCKET_NAME = " YOUR_BUCKET_NAME " 

   Например, используйте имя вашего проекта с добавленным -aiplatform :

   PROJECT_ID = $ (проект списка конфигураций gcloud --format "значение (core.project)")
   BUCKET_NAME = $ {PROJECT_ID} -aiplatform 

2. Проверьте имя созданного вами сегмента.

    echo $ BUCKET_NAME 

3. Выберите регион для сегмента и установите переменную среды REGION .

   Используйте тот же регион, где вы планируете запускать AI Platform Prediction рабочие места. См. Доступные регионы для Услуги прогнозирования платформы AI.

   Например, следующий код создает REGION и устанавливает для него значение us-central1 :

    REGION = us-central1 

4. Создайте новую корзину:

    gsutil mb -l $ REGION gs: // $ BUCKET_NAME 

Загрузите экспортированную модель в облачное хранилище

В следующих примерах показано, как загружать различные типы артефактов модели в каталог модели в Cloud Storage:

TensorFlow SavedModel

  SAVED_MODEL_DIR = $ (ls./  YOUR_EXPORT_DIR_BASE  | хвост -1)
gsutil cp -r $ SAVED_MODEL_DIR gs: //  ВАШ_КОРЗИНА 
  

При экспорте SavedModel из тф.керас или из TensorFlow оценщик он сохраняется как подкаталог с отметкой времени в базовом каталоге экспорта, который вы выбираете, например, YOUR_EXPORT_DIR_BASE /1487877383942 . В этом примере показано, как загрузить каталог с самой последней меткой времени. Если вы создали свою SavedModel другим способом, она может быть в другом расположение в вашей локальной файловой системе.

scikit-learn или файл модели XGBoost

В зависимости от того, как вы экспортировали свои обученные модель, загрузите свою модель .joblib , Файл model.pkl или model.bst .

В следующем примере показано, как загрузить файл, экспортированный с помощью sklearn.externals.joblib :

  gsutil cp ./model.joblib gs: //  YOUR_BUCKET  /model.joblib
  

В следующем примере показано, как загрузить файл, экспортированный программой Python pickle . модуль:

  gsutil cp./model.pkl gs: //  ВАШ_КЕДРО  /model.pkl
  

В следующем примере показано, как загрузить файл, экспортированный с помощью xgboost.Booster save_model метод:

  gsutil cp ./model.bst gs: //  ВАШ_КЕДРО  /model.bst
  

Если вы развертываете настраиваемую процедуру прогнозирования (бета), загрузите любую дополнительную модель артефакты также в каталог вашей модели.

Общий размер файла каталога вашей модели должен составлять 500 МБ или меньше , если вы используете устаревший тип (MLS1) машины или 10 ГБ или меньше , если вы используете Тип машины Compute Engine (N1).Узнайте больше о типах машин для онлайн прогноз.

При создании последующих версий модели упорядочивайте их, размещая каждую one в отдельный каталог в вашей корзине Cloud Storage.

Загрузить собственный код

Бета

Эта функция подпадает под условия предложений до GA. Условий использования Google Cloud. Функции Pre-GA могут иметь ограниченную поддержку, а изменения функций до GA могут быть несовместимы с другими версиями до GA.Для получения дополнительной информации см. описания этапов запуска.

Если вы развертываете конвейер scikit-learn с настраиваемым код или обычай предсказания, вы также должны загрузите исходный дистрибутив, содержащий ваш собственный код. Например:

  gsutil cp dist / my_custom_code-0.1.tar.gz gs: //  ВАШ_КОРЗИНА  /my_custom_code-0.1.tar.gz
  

Вы можете загрузить этот архив в тот же каталог облачного хранилища, что и файл вашей модели, но это необязательно.Фактически, их разделение может обеспечить лучшую организацию, особенно если вы развернете много версий своего модель и код.

Проверьте свою модель с помощью местных прогнозов

Вы можете использовать gcloud AI-платформа локальный прогноз команда, чтобы проверить, как ваша модель выполняет прогнозы, прежде чем развертывать ее в Прогнозирование платформы AI. Команда использует зависимости в вашей локальной среде для выполнения прогноза и возврата результатов в том же формате, что и AI-платформа gcloud прогноз используется при выполнении онлайн-прогнозов.Проверка прогнозов на местном уровне может помочь вы обнаруживаете ошибки до того, как понесете расходы на запросы онлайн-прогнозов.

Для аргумента --model-dir укажите каталог, содержащий ваша экспортированная модель машинного обучения на локальном компьютере или в Облачное хранилище. Для аргумента --framework укажите тензорный поток , scikit-learn или xgboost . Вы не можете использовать gcloud ai-platform local прогноз команда с настраиваемым прогнозом рутина.

В следующем примере показано, как выполнять локальное прогнозирование:

  gcloud ai-platform local предсказание --model-dir  LOCAL_OR_CLOUD_STORAGE_PATH_TO_MODEL_DIRECTORY /  \
  --json-instance  LOCAL_PATH_TO_PREDICTION_INPUT.JSON  \
  --framework  NAME_OF_FRAMEWORK 
  

Развернуть модели и версии

AI Platform Prediction организует ваши обученные модели с использованием модели и версия ресурсов.Модель прогнозирования платформы AI — это контейнер для версии вашей модели машинного обучения.

Чтобы развернуть модель, вы создаете ресурс модели в AI Platform Prediction, создаете версию этой модели, затем свяжите версию модели с файлом модели, хранящимся в Облачное хранилище.

Создание ресурса модели

AI Platform Prediction использует ресурсы модели для организации различных версий ваша модель.

На данном этапе вы должны решить, хотите ли вы, чтобы версии модели принадлежали этому эта модель для использования региональной конечной точки или глобального конечная точка.В большинстве случаев выбирайте региональный конечная точка. Если вам нужна функциональность, доступная только на устаревшие (MLS1) типы компьютеров, затем используйте глобальная конечная точка.

На этом этапе вы также должны решить, хотите ли вы, чтобы версии модели принадлежали этому модель для экспорта любых журналов, когда они обслуживают прогнозы. Следующие примеры делают не включать ведение журнала. Узнайте, как включить протоколирование.

консоль

1. Откройте страницу AI Platform Prediction Models в Облачная консоль:

   Перейти на страницу моделей

2. Нажмите кнопку New Model в верхней части страницы Models .Этот открывает страницу Создание модели .

3. Введите уникальное имя для вашей модели в поле Название модели .

4. Когда установлен флажок Использовать региональную конечную точку , Прогнозирование платформы AI использует региональную конечную точку. Чтобы использовать глобальная конечная точка вместо этого снимите флажок Использовать региональную конечную точку .

5. В раскрывающемся списке Region выберите местоположение для вашего прогноза. узлы.Доступные регионы различаются в зависимости от используете ли вы региональную конечную точку или глобальную конечную точку.

6. Нажмите Создать .

7. Убедитесь, что вы вернулись на страницу моделей , и что ваш новый модель появится в списке.

gcloud

Региональная конечная точка

Выполните следующую команду:

  Создание моделей AI-платформы gcloud  MODEL_NAME  \
  --region =  REGION 
  

Заменить следующее:

Если вы не укажете флаг --region , тогда инструмент gcloud предлагает выбрать региональную конечную точку (или использовать us-central на глобальная конечная точка).

В качестве альтернативы можно установить ai_platform / region недвижимость в конкретный регион в чтобы убедиться, что инструмент gcloud всегда использует соответствующая региональная конечная точка для прогнозирования платформы AI, даже если вы не указываете флаг --region . (Эта конфигурация не применяется командам в gcloud операции с AI-платформой группа команд.)

Глобальная конечная точка

Выполните следующую команду:

  Создание моделей AI-платформы gcloud  MODEL_NAME  \
  --regions =  REGION 
  

Заменить следующее:

Если вы не укажете флаг --regions , то Инструмент gcloud предлагает выбрать региональную конечную точку (или используйте us-central1 на глобальной конечной точке).

REST API

Региональная конечная точка

1. Отформатируйте запрос, поместив объект модели в тело запроса. Как минимум укажите название вашей модели, заменив MODEL_NAME в следующем примере:

     {
     "name": " MODEL_NAME "
   }
     

2. Сделайте вызов REST API по следующему URL-адресу, заменив PROJECT_ID с идентификатором вашего проекта Google Cloud:

     POST https: //  REGION  -ml.googleapis.com/v1/projects/  PROJECT_ID  / models /
     

   Заменить следующее:

   Например, вы можете сделать следующий запрос, используя завиток команда. Эта команда авторизует запрос, используя учетные данные связанный с вашим Cloud SDK установка.

     curl -X POST -H "Content-Type: application / json" \
     -d '{"name": " ИМЯ МОДЕЛИ "}' \
     -H "Авторизация: предъявитель` gcloud auth print-access-token` "\
     "https: //  REGION  -ml.googleapis.com/v1/projects/  PROJECT_ID  / models "
     

   API возвращает ответ, подобный следующему:

     {
     "name": "projects /  PROJECT_ID  / models /  MODEL_NAME ",
     "регионы": [
       « ОБЛАСТЬ »
     ]
   }
     

Глобальная конечная точка

1. Отформатируйте запрос, поместив объект модели в тело запроса. Как минимум укажите название вашей модели, заменив MODEL_NAME в следующем примере и укажите регион замена REGION регионом, поддерживающим устаревшие (MLS1) типы машин:

     {
     "name": " MODEL_NAME ",
     "регионы": [" REGION "]
   }
     

2. Сделайте вызов REST API по следующему URL-адресу, заменив PROJECT_ID с идентификатором вашего проекта Google Cloud:

     ЗАПИСЬ https: // ml.googleapis.com/v1/projects/  PROJECT_ID  / models /
     

   Например, вы можете сделать следующий запрос, используя завиток команда. Эта команда авторизует запрос, используя учетные данные связанный с вашим Cloud SDK установка.

     curl -X POST -H "Content-Type: application / json" \
     -d '{"имя": " ИМЯ МОДЕЛИ ", "регионы": [" РЕГИОН "]}' \
     -H "Авторизация: предъявитель` gcloud auth print-access-token` "\
     "https: // ml.googleapis.com/v1/projects/  PROJECT_ID  / models "
     

   API возвращает ответ, подобный следующему:

     {
     "name": "projects /  PROJECT_ID  / models /  MODEL_NAME ",
     "регионы": [
       « ОБЛАСТЬ »
     ]
   }
     

Дополнительные сведения см. В API модели прогнозирования платформы AI.

Создайте модель версии

Теперь вы готовы создать версию модели с обученной моделью, которую вы ранее загруженные в облачное хранилище.Создавая версию, вы можете указать ряд параметров. В следующем списке описаны общие параметры, некоторые из которых необходимы:

• имя : должно быть уникальным в рамках модели прогнозирования платформы AI.

• Deploy : путь к вашей модели каталог в Облачное хранилище.

  • Если вы развертываете модель TensorFlow, это Каталог SavedModel.
  • Если вы развертываете модель scikit-learn или XGBoost, это каталог, содержащий вашу модель .joblib , model.pkl , или файл model.bst файл.
  • Если вы развертываете настраиваемую процедуру прогнозирования, это каталог содержащий все артефакты вашей модели. Общий размер этого каталога должен составлять 500 МБ или менее .

• каркас : TENSORFLOW , SCIKIT_LEARN или XGBOOST . Опустите этот параметр, если вы развертываете настраиваемая процедура прогнозирования.

• runtimeVersion : версия на основе времени выполнения от зависимостей, которые нужны вашей модели.Если вы развертываете scikit-learn модель, модель XGBoost или пользовательский прогнозирование, это должно быть в не менее 1,4. Если вы планируете используйте версию модели для пакетного прогнозирования, затем вы должны использовать среду выполнения версии 2.1 или более ранней.

• packageUris (необязательно): список путей к вашему распределению пользовательского кода пакеты ( файлов .tar.gz, ) в облачном хранилище. Только предоставьте это параметр, если вы развертываете конвейер scikit-learn с настраиваемым код (бета) или настраиваемая процедура прогнозирования (бета).

• predictionClass (необязательно): имя вашего класса Predictor в имя_модуля . имя_класса формат . Указывайте этот параметр, только если вы развертываете настраиваемый прогноз. рутина (бета).

• serviceAccount (необязательно): Вы можете указать сервисный аккаунт для вашей версии модели, который будет использоваться при доступе Ресурсы Google Cloud при предоставлении прогнозов. Узнать больше о указание учетной записи службы.Только укажите этот параметр, если вы используете настраиваемый контейнер или настраиваемый прогноз рутина.

• pythonVersion : должно быть установлено значение «3.5» (для версий среды выполнения от 1.4 до 1.14) или «3.7» (для версии 1.15 и новее), чтобы быть совместимым с файлы моделей, экспортированные с помощью Python 3. Также может быть установлено значение «2.7», если используется с версия среды выполнения 1.15 или более ранняя.

• machineType (необязательно): тип виртуальной машины, которую использует AI Platform Prediction. для узлов, обслуживающих прогнозы.Узнать больше о машине типы. Если не установлен, это по умолчанию n1-standard-2 на региональных конечных точках и mls1-c1-m2 на глобальной конечной точке.

  Если версия вашей модели использует тип компьютера Compute Engine (N1) и менее двух узлов, то он исключается из Служба обучения и прогнозирования платформы AI Соглашение об уровне (SLA).

  Другими словами, если вы используете тип компьютера Compute Engine (N1), вы должны установить либо manualScaling.nodes, либо или autoScaling.minNodes на номер 2 или выше, чтобы версия модели подпадала под действие SLA.

  Кроме того, использование автоматического масштабирования с графическими процессорами доступно в предварительный просмотр; поэтому версии моделей, которые используют Соглашение об уровне обслуживания не распространяется на автоматическое масштабирование с помощью графических процессоров.

См. Дополнительную информацию о каждом из этих параметров, а также дополнительные сведения. общие параметры в справочнике по API для ресурса версии.

Кроме того, если вы создали свою модель на региональной конечной точке, убедитесь, что также создайте версию на том же региональном конечная точка.

консоль

1. Откройте страницу AI Platform Prediction Models в Облачная консоль:

   Перейти на страницу моделей

2. На странице Models выберите имя ресурса модели, который вы хотите хотел бы использовать для создания своей версии. Это подводит вас к Описание модели стр.

3. Нажмите кнопку Новая версия в верхней части Подробная информация о модели страница. Вы попадете на страницу Create version .

4. Введите название своей версии в поле Имя . При желании введите Описание вашей версии в поле Описание .

5. Введите следующую информацию о том, как вы обучили свою модель в соответствующие выпадающие списки:

6. Выбрать машину введите для работы в сети прогноз.

7. В поле Model URI введите расположение корзины Cloud Storage. куда вы загрузили файл модели.Вы можете использовать кнопку Обзор найти правильный путь.

   Обязательно укажите путь к каталогу , содержащему файл, , а не путь к самому файлу модели. Например, используйте gs: // your_bucket_name / model-dir / вместо gs: //your_bucket_name/model-dir/saved_model.pb или gs: //your_bucket_name/model-dir/model.pkl .

8. Если вы развертываете конвейер scikit-learn с пользовательским кодом (бета) или настраиваемая процедура прогнозирования (бета), предоставьте Путь в облачном хранилище ко всем пакетам пользовательского кода (.tar.gz ) под Пользовательский код и зависимости . Если вы развертываете настраиваемая процедура прогнозирования, введите имя своего предиктора класс в Поле класса предсказания .

9. Выберите параметр Масштабирование для развертывания онлайн-прогнозирования:

   • При выборе «Автоматическое масштабирование» необязательный Минимальное количество узлов Отображается поле . Вы можете войти в минимальное количество узлов для постоянной работы, когда услуга сократилась.По умолчанию это поле 0.

   • Если вы выбрали «Ручное масштабирование», вы должны ввести Количество узлов , которые вы хотите поддерживать постоянно.

     Узнать больше о ценообразование на прогнозирование затрат.

10. Чтобы завершить создание версии модели, нажмите Сохранить .

gcloud

1. Установить переменные среды для хранения пути к облачному хранилищу каталог, в котором находится ваш двоичный файл модели, название вашей модели, ваш название версии и ваш выбор фреймворка.

   При создании версии с помощью инструмента gcloud вы можете предоставить название фреймворка заглавными буквами с подчеркиванием (например, SCIKIT_LEARN ) или строчными буквами с дефисами (например, scikit-learn ). Оба варианта приводят к одинаковому поведению.

   Замените [VALUES_IN_BRACKETS] соответствующими значениями:

     MODEL_DIR = "gs: // your_bucket_name /"
   VERSION_NAME = "[ВАША-ВЕРСИЯ-НАЗВАНИЕ]"
   MODEL_NAME = "[ВАША-МОДЕЛЬ-НАЗВАНИЕ]"
   FRAMEWORK = "[YOUR-FRAMEWORK_NAME]"
     

   Для конвейера scikit-learn с настраиваемым код (beta) , установите дополнительную переменную с путем к вашему пользовательскому коду tarball:

     MODEL_DIR = "gs: // your_bucket_name /"
   VERSION_NAME = "[ВАША-ВЕРСИЯ-НАЗВАНИЕ]"
   MODEL_NAME = "[ВАША-МОДЕЛЬ-НАЗВАНИЕ]"
   FRAMEWORK = "scikit-learn"
     CUSTOM_CODE_PATH = "gs: // ваше_имя_кожи / my_custom_code-0.1.tar.gz "
     

   Для индивидуального прогноза рутина (бета) , опустите FRAMEWORK и задайте дополнительные переменные, указав путь к ваш архив пользовательского кода и имя вашего класса предиктора:

     MODEL_DIR = "gs: // your_bucket_name /"
   VERSION_NAME = "[ВАША-ВЕРСИЯ-НАЗВАНИЕ]"
   MODEL_NAME = "[ВАША-МОДЕЛЬ-НАЗВАНИЕ]"
     CUSTOM_CODE_PATH = "gs: //your_bucket_name/my_custom_code-0.1.tar.gz"
   PREDICTOR_CLASS = "[MODULE_NAME]. [CLASS_NAME]" 
     

2. Создайте версию:

     версии gcloud ai-platform создают $ VERSION_NAME \
     --model = $ MODEL_NAME \
     --origin = $ MODEL_DIR \
     --runtime-версия = 2.7 \
     --framework = $ FRAMEWORK \
     --python-версия = 3.7 \
     --region =  REGION  \
     --machine-type =  MACHINE_TYPE 
     

   Заменить следующее:

   • ОБЛАСТЬ : Район областного конечная точка, на которой вы создали модель. Если вы создали модель на глобальная конечная точка, опустите флаг --region .

   • MACHINE_TYPE : Станок тип, определяющий вычислительные ресурсы, доступные вашим узлам прогнозирования.

   Для конвейера scikit-learn с настраиваемым код (beta) , используйте компонент gcloud beta и обязательно установите --package-uris флаг . Чтобы развернуть собственный код, ваша модель должна использовать глобальная конечная точка.

      Компоненты gcloud устанавливают бета-версию 
   
   Бета-версии gcloud для AI-платформы создают $ VERSION_NAME \
     --model = $ MODEL_NAME \
     --origin = $ MODEL_DIR \
     --runtime-версия = 2.7 \
     --framework = $ FRAMEWORK \
     --python-версия = 3.7 \
     --machine-type = mls1-c1-m2 \
       --package-uris = $ CUSTOM_CODE_PATH 
     

   Для индивидуального прогноза рутина (бета) , используйте gcloud beta , опустите флаг --framework и установите --package-uris и - флаги класса предсказания. Чтобы развернуть собственный код, ваша модель должна использовать глобальную конечную точку.

      Компоненты gcloud устанавливают бета-версию 
   
   Бета-версии gcloud для AI-платформы создают $ VERSION_NAME \
     --model = $ MODEL_NAME \
     --origin = $ MODEL_DIR \
     --runtime-версия = 2.7 \
     --python-версия = 3.7 \
     --machine-type = mls1-c1-m2 \
       --package-uris = $ CUSTOM_CODE_PATH \
     --prediction-class = $ PREDICTOR_CLASS 
     

   Создание версии занимает несколько минут. Когда он будет готов, вы должны см. следующий вывод:

    Создание версии (это может занять несколько минут) ...... готово. 

3. Получите информацию о вашей новой версии:

     версии ai-платформы gcloud описывают $ VERSION_NAME \
     --model = $ MODEL_NAME
     

   Вы должны увидеть примерно такой результат:

    createTime: '2018-02-28T16: 30: 45Z'
   DeployUri: gs: // ваше_имя_кожи
   framework: [YOUR-FRAMEWORK-NAME]
   Тип машины: mls1-c1-m2
   name: projects / [YOUR-PROJECT-ID] / models / [YOUR-MODEL-NAME] / versions / [YOUR-VERSION-NAME]
   pythonVersion: '3.7 '
   runtimeVersion: '2.7'
   состояние: ГОТОВ 

REST API

1. Отформатируйте тело запроса, чтобы оно содержало версия объекта. В этом примере указывается версия имя , DeploymentUri , runtimeVersion , framework и machineType . Замените [VALUES_IN_BRACKETS] соответствующими значениями:

     {
     "name": "[ВАША-ВЕРСИЯ-ИМЯ]",
     "deploymentUri": "gs: // имя_вашего_кожа /",
     "runtimeVersion": "2.7 ",
     "framework": "[YOUR_FRAMEWORK_NAME]",
     «pythonVersion»: «3.7»,
     "machineType": "[YOUR_MACHINE_TYPE]"
   }
     

2. Сделайте вызов REST API по следующему пути, заменив [VALUES_IN_BRACKETS] с соответствующими значениями:

     POST https: //  REGION  -ml.googleapis.com/v1/projects/[YOUR-PROJECT-ID ]/models/[YOUR-MODEL-NAME ]/versions
     

   Заменить REGION на регион региональный конечная точка, в которой вы создали свой модель.Если вы создали свою модель на глобальная конечная точка, используйте ml.googleapis.com .

   Например, вы можете сделать следующий запрос, используя завиток команда:

     curl -X POST -H "Content-Type: application / json" \
     -d '{"name": "[YOUR-VERSION-NAME]", "deploymentUri": "gs: // your_bucket_name /", "runtimeVersion": "2.7", "framework": "[YOUR_FRAMEWORK_NAME]", " pythonVersion ":" 3.7 "," machineType ":" [YOUR_MACHINE_TYPE] "} '\
     -H "Авторизация: предъявитель` gcloud auth print-access-token` "\
     "https: //  REGION  -ml."
     

   Создание версии занимает несколько минут. Когда он будет готов, вы должны см. вывод, аналогичный этому:

     {
     "name": "projects / [YOUR-PROJECT-ID] / operations / create_ [YOUR-MODEL-NAME] _ [YOUR-VERSION-NAME] - [TIMESTAMP]",
     "метаданные": {
       "@type": "type.googleapis.com/google.cloud.ml.v1.OperationMetadata",
       "createTime": "2018-07-07T02: 51: 50Z",
       "operationType": "CREATE_VERSION",
       "modelName": "projects / [YOUR-PROJECT-ID] / models / [YOUR-MODEL-NAME]",
       "версия": {
         "name": "projects / [YOUR-PROJECT-ID] / models / [YOUR-MODEL-NAME] / versions / [YOUR-VERSION-NAME]]",
         "deploymentUri": "gs: // имя_ваше_букета",
         "createTime": "2018-07-07T02: 51: 49Z",
         "runtimeVersion": "2.7 ",
         "framework": "[YOUR_FRAMEWORK_NAME]",
         "machineType": "[YOUR_MACHINE_TYPE]",
         "pythonVersion": "3.7"
       }
     }
   }