aStore

check

##deeplearning ##set_astore

Description

L'action `aStore .check` est votre inspecteur de travaux finis pour les modèles de Deep Learning

L'action `aStoreFichier binaire compact contenant la logique d'un modèle entraîné (analytique de score). Il permet de déployer et d'exécuter des modèles complexes de manière portable et ultra-rapide dans SAS Viya..check` est votre inspecteur de travaux finis pour les modèles de Deep LearningSous-ensemble du Machine Learning basé sur des réseaux de neurones artificiels profonds. Il excelle dans l'extraction automatique de motifs complexes depuis des données brutes (images, texte, son).. Elle permet de vérifier scrupuleusement si un modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting). au format **ONNX** (Open Neural Network ExchangeFormat standard ouvert facilitant l'interopérabilité des modèles de ML : permet d'entraîner un modèle dans un framework (PyTorch, TensorFlow) et de l'exécuter efficacement dans SAS Viya.) est valide et compatible avec l'infrastructure SAS Viya . Avant de lancer une procédure de scoringProcessus d'application d'un modèle prédictif à de nouvelles données pour calculer une probabilité ou un score, permettant ainsi d'automatiser la prise de décision en temps réel sur SAS Viya. qui pourrait s'avérer coûteuse ou échouer, un petit 'check' permet de s'assurer que le fichier binaire n'est pas corrompu et qu'il respecte les standards attendus. C'est l'étape indispensable pour dormir sur ses deux oreilles après avoir importé un modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting). depuis Python ou une autre plateforme.

Syntaxe Officielle
aStore.check /
onnx = binary-large-object;

Paramètres Clés

Nom du paramètre Description
onnx Spécifie le modèle ONNX sous forme d'objet binaire (BLOB). Ce paramètre est requis pour effectuer la validation.

Préparation des données

Préparation du binaire ONNX

Pour tester cette action, il est nécessaire de charger un fichier .onnx existant dans une variable CASL sous forme binaire.

1/* Exemple conceptuel : lecture d'un fichier sur le serveur vers une variable CASL */
2PROC CAS;
3 /* On suppose que le fichier est accessible sur le système de fichiers du contrôleur CAS */
4 onnx_blob = read_file('/chemins/modeles/mon_modele_detect.onnx');
5 /* La variable onnx_blob peut maintenant être passée à l'action check */
6RUN;

Exemples d'utilisation

Vérification basique d'un modèle

Cet exemple montre comment soumettre un modèle ONNX stocké dans une variable pour validation immédiate.

1PROC CAS; astore.check / onnx = mon_modele_binaire; RUN;
Résultat Attendu :
Un tableau de statut indiquant si le modèle est valide ou listant les erreurs structurelles détectées.
Lecture et validation complète en CASL

Voici comment automatiser la vérification d'un modèle en lisant le fichier directement depuis le disque via CASL et en affichant le résultat de l'inspection.

1PROC CAS;
2 /* 1. Charger le fichier binaire */
3 mod_file = read_file('/opt/sas/data/mnist.onnx');
4 /* 2. Appeler l'action check */
5 astore.check RESULT=r / onnx = mod_file;
6 /* 3. Afficher les résultats */
7 PRINT r;
8RUN;
Résultat Attendu :
Le dictionnaire 'r' contiendra les informations de validation. Si le modèle est valide, SAS confirmera la conformité du graphe ONNX.
Sommaire
FAQ
Illustration FAQ Pourquoi est-il crucial de valider un modèle ONNX avant son déploiement dans SAS Viya ? Illustration FAQ Quels types de problèmes l'action astore.check peut-elle spécifiquement identifier ? Illustration FAQ Cette action exécute-t-elle le modèle avec des données pour confirmer sa validité ? Illustration FAQ Comment intégrer astore.check dans un workflow MLOps pour industrialiser l'usage de modèles open source ?