Calcul de la confidentialité Fate - Prévisions hors ligne

Partage de ressources de qualité

Guide d'apprentissage（Cliquez pour déverrouiller）	Positionnement des connaissances	Orientation de la population
🧡 PythonApplet de commande de repas Wechat en direct 🧡	Classe supérieure	Ce cours estpython flask+Une combinaison parfaite d'applets Wechat,De la construction du projet au déploiement de Tencent Cloud en ligne,Créer un système de commande de repas complet.
PythonQuantifier les transactions en direct	Niveau d'entrée	Les poignées vous permettent de créer une extension facile、Plus sûr、Un système d'échange quantitatif plus efficace

Un.、Description

Fate Le modèle prédit Prévisions hors ligne Et Prévisions en ligne Deux façons,Les deux ont le même effet.,Principalement la façon dont il est utilisé、Scénarios applicables、Haute disponibilité、Il y a de grandes différences dans les performances, etc;Utilisation partagée de cet article Fate Basé sur Régression logique longitudinale Un modèle formé par algorithme pour la pratique de prédiction hors ligne.

• Sur la base de ce qui précède 《Calcul de la confidentialitéFATE-Formation sur modèle》 Les modèles formés pour les missions de prévision
• À propos de Fate Voir l'article pour un aperçu de base et le déploiement de l'installation pour 《Calcul de la confidentialitéFATE- Concepts clés et lignes directrices pour le déploiement autonome 》

2.、 Demander des informations sur le modèle

Exécuter la commande suivante,Entrée Fate Dans un conteneur：

docker exec -it $(docker ps -aqf "name=standalone\_fate") bash

Nous devons d'abord obtenir le modèle correspondant model_id Et model_version Information,Peut passer job_id Exécutez la commande suivante pour obtenir：

flow job config -j 202205070226373055640 -r guest -p 9999 --output-path /data/projects/fate/examples/my_test/

job_id Ça pourrait être dans FATE Board Voir.

Les informations correspondantes du modèle sont retournées après une exécution réussie , Et générer un dossier sous le répertoire spécifié job_202205070226373055640_config

{
    "data": {
        "job\_id": "202205070226373055640",
        "model\_info": {
            "model\_id": "arbiter-10000#guest-9999#host-10000#model",
            "model\_version": "202205070226373055640"
        },
        "train\_runtime\_conf": {}
    },
    "retcode": 0,
    "retmsg": "download successfully, please check /data/projects/fate/examples/my\_test/job\_202205070226373055640\_config directory",
    "directory": "/data/projects/fate/examples/my\_test/job\_202205070226373055640\_config"
}

job_202205070226373055640_config Il contient:4Fichiers：

• dsl.json：Mission dsl Configuration.
• model_info.json：Informations sur le modèle.
• runtime_conf.json： Configuration d'exécution de la tâche .
• train_runtime_conf.json：Vide.

Trois、Déploiement du modèle

Exécuter la commande suivante：

flow model deploy --model-id arbiter-10000#guest-9999#host-10000#model --model-version 202205070226373055640

Passer séparément --model-id Avec --model-version Spécifiez ce que vous avez demandé à l'étape précédente model_id Et model_version

Retour après un déploiement réussi ：

{
    "data": {
        "arbiter": {
            "10000": 0
        },
        "detail": {
            "arbiter": {
                "10000": {
                    "retcode": 0,
                    "retmsg": "deploy model of role arbiter 10000 success"
                }
            },
            "guest": {
                "9999": {
                    "retcode": 0,
                    "retmsg": "deploy model of role guest 9999 success"
                }
            },
            "host": {
                "10000": {
                    "retcode": 0,
                    "retmsg": "deploy model of role host 10000 success"
                }
            }
        },
        "guest": {
            "9999": 0
        },
        "host": {
            "10000": 0
        },
        "model\_id": "arbiter-10000#guest-9999#host-10000#model",
        "model\_version": "202205070730131040240"
    },
    "retcode": 0,
    "retmsg": "success"
}

Retour à un nouveau model_version

Quatre、 Préparation de la configuration de prévision

Exécuter la commande suivante：

cp /data/projects/fate/examples/dsl/v2/hetero_logistic_regression/hetero_lr_normal_predict_conf.json /data/projects/fate/examples/my_test/

Allez - y. Fate Exemple de configuration prédictive de l'algorithme de régression logique longitudinale autonome , Copie à notre my_test Sous la table des matières.

Le profil prévu est principalement configuré en trois parties ：

• La section ci - dessus configure les rôles de l'initiateur et du participant
• La partie médiane doit être remplie correctement Informations sur le modèle
• Voici les tableaux de données utilisés pour les prévisions

La seule chose qui doit être modifiée, c'est le milieu Informations sur le modèle Section; Notez que le numéro de version entré ici est Déploiement du modèle Numéro de version retourné après , Et il faut ajouter job_type Pour predict Spécifiez le type de tâche comme tâche de prévision .

Cinq、 Effectuer des tâches de prévision

Exécuter la commande suivante：

flow job submit -c hetero_lr_normal_predict_conf.json

Comme pour la formation sur modèle submit Les ordres,Adoption -c Spécifier le profil.

Retour après une exécution réussie ：

{
    "data": {
        "board\_url": "http://127.0.0.1:8080/index.html#/dashboard?job\_id=202205070731385067720&role=guest&party\_id=9999",
        "code": 0,
        "dsl\_path": "/data/projects/fate/fateflow/jobs/202205070731385067720/job\_dsl.json",
        "job\_id": "202205070731385067720",
        "logs\_directory": "/data/projects/fate/fateflow/logs/202205070731385067720",
        "message": "success",
        "model\_info": {
            "model\_id": "arbiter-10000#guest-9999#host-10000#model",
            "model\_version": "202205070730131040240"
        },
        "pipeline\_dsl\_path": "/data/projects/fate/fateflow/jobs/202205070731385067720/pipeline\_dsl.json",
        "runtime\_conf\_on\_party\_path": "/data/projects/fate/fateflow/jobs/202205070731385067720/guest/9999/job\_runtime\_on\_party\_conf.json",
        "runtime\_conf\_path": "/data/projects/fate/fateflow/jobs/202205070731385067720/job\_runtime\_conf.json",
        "train\_runtime\_conf\_path": "/data/projects/fate/fateflow/jobs/202205070731385067720/train\_runtime\_conf.json"
    },
    "jobId": "202205070731385067720",
    "retcode": 0,
    "retmsg": "success"
}

Six、Voir les résultats des prévisions

Peut être retourné par board_url Ou job_id Vas - y. FATE Board Voir les résultats , Mais l'interface graphique ne peut voir que 100 Enregistrement (s);

On peut passer par output-data Les ordres, Exporter toutes les sorties de données pour le composant spécifié ：

flow tracking output-data -j 202205070731385067720 -r guest -p 9999 -cpn hetero_lr_0 -o /data/projects/fate/examples/my_test/predict

• -j： Spécifie la tâche de prévision job_id
• -cpn：Spécifiez le nom du composant.
• -o：Spécifiez le Répertoire de sortie.

Retour après une exécution réussie ：

{
    "retcode": 0,
    "directory": "/data/projects/fate/examples/my\_test/predict/job\_202205070731385067720\_hetero\_lr\_0\_guest\_9999\_output\_data",
    "retmsg": "Download successfully, please check /data/projects/fate/examples/my\_test/predict/job\_202205070731385067720\_hetero\_lr\_0\_guest\_9999\_output\_data directory"
}

Dans le catalogue /data/projects/fate/examples/my_test/predict/job_202205070731385067720_hetero_lr_0_guest_9999_output_data Vous pouvez voir deux fichiers ：

• data.csv： Pour toutes les données exportées .
• data.meta： En - tête de colonne pour les données .

Il y a des surprises dans le balayage de code！