Action dlExportModel SAS Viya : Export de Modèles Deep Learning

Description

L'action dlExportModel permet d'exporter 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). de réseau de neuronesUn réseau de neurones est un modèle d'IA bio-inspiré composé de couches de nœuds interconnectés, capable d'apprendre des relations complexes dans les données pour prédire ou classifier avec précision. (DNNRéseau de neurones profond (Deep Neural Network) comprenant plusieurs couches cachées entre l'entrée et la sortie. Il modélise des relations non linéaires complexes à partir de grands volumes de données., CNNRéseau de neurones profond spécialisé dans le traitement de données structurées en grille (images). Il utilise des couches de convolution pour extraire automatiquement des caractéristiques spatiales., RNNRéseau de neurones récurrent conçu pour les données séquentielles. Il utilise des boucles de rétroaction pour mémoriser l'information passée, idéal pour l'analyse de texte ou de séries temporelles.) avec ses poids sous la forme d'un objet 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.. Idéal une fois que votre réseau a bien transpiré à l'entraînement et mérite d'être sauvegardé pour la postérité (ou pour la production en temps réel) ! Vous pouvez également y spécifier des paramètres d'images et de traitement de texte lors de cet export.

Syntaxe Officielle

                                proc cas;

  deepLearn.dlExportModel /

    casout={name="nom_table_sortie", replace=TRUE|FALSE, promote=TRUE|FALSE, ...}

    encodeName=TRUE | FALSE

    initWeights={name="table_poids", ...}

    layerImageType="BASE64" | "WIDE"

    layers={"nom_couche_1", ...}

    modelTable={name="table_modele", ...}

    nThreads=entier

    randomCrop="NONE" | "RANDOMRESIZED" | "RESIZETHENCROP" | "UNIQUE"

    randomFlip="H" | "HV" | "NONE" | "V"

    randomMutation="NONE" | "RANDOM"

    textParms={embeddingsCompressionRatio=double, ...};

quit;

Paramètres Clés

Nom du paramètre	Description
casout	Spécifie la table de sortie en mémoire qui contiendra le modèle ASTORE généré.
initWeights	Spécifie la table en mémoire contenant les poids d'apprentissage du modèle. Indispensable pour que le modèle serve à quelque chose !
modelTable	Spécifie la table représentant l'architecture de votre modèle de Deep Learning.
encodeName	Indique s'il faut encoder les noms des variables dans la table CASout générée. Utile pour éviter les maux de tête avec les caractères spéciaux.
layerImageType	Définit le format des images extraites des couches (BASE64 ou WIDE).
randomFlip	Permet d'appliquer un retournement aléatoire (horizontal H, vertical V, ou les deux HV) sur les images d'entrée pour augmenter la robustesse du score.
randomCrop	Stratégie de recadrage aléatoire pour les données d'image.
randomMutation	Mute aléatoirement les images via la netteté, l'éclaircissement ou une instabilité des couleurs.

Préparation des données

Préparation d'un modèle factice

Bien qu'un export nécessite normalement un apprentissage préalable avec dlTrain, voici comment créer la structure d'attente pour nos exemples. Attention, n'exportez pas un modèle vide en prod, vos prédictions seraient... particulièrement créatives !

1	PROC CAS;
2	SESSION casauto;
3	/* Création de l'architecture du modèle */
4	DEEPLEARN.buildModel / modelTable={name="mon_modele", replace=TRUE} type="DNN";
5	DEEPLEARN.addLayer / modelTable="mon_modele" name="entree" layer={type="input"};
6	DEEPLEARN.addLayer / modelTable="mon_modele" name="sortie" layer={type="output"} srcLayers={"entree"};
7	/* Simulation d'une table de poids pour l'exemple */
8	/* En conditions réelles, cette table 'mes_poids' est générée via deepLearn.dlTrain */
9	QUIT;

Exemples d'utilisation

Export standard d'un modèle

Cet exemple prend un modèle préalablement construit et entraîné, et l'exporte en ASTORE pour le déploiement ou l'inférence.

1	PROC CAS;
2	DEEPLEARN.dlExportModel /
3	modelTable="mon_modele"
4	initWeights="mes_poids" /* Table hypothétique issue d'un entraînement */
5	casOut={name="mon_modele_astore", replace=TRUE};
6	QUIT;

Résultat Attendu :

                                                    Une nouvelle table CAS 'mon_modele_astore' est créée, contenant les informations binaires du modèle prêt pour la procédure ASTORE ou l'action aStore.score.                                                

Export d'un modèle d'analyse d'images avec data augmentation

On exporte un réseau de neurones convolutif (CNN) en lui incluant des directives de mutation et de recadrage aléatoire. C'est parfait pour garantir des scores plus résilients aux variations %%importOptions%%.

1	PROC CAS;
2	DEEPLEARN.dlExportModel /
3	modelTable={name="mon_modele_image"}
4	initWeights={name="mes_poids_image"}
5	casOut={name="mon_modele_astore_complet", replace=TRUE, promote=TRUE}
6	randomFlip="H"
7	randomCrop="UNIQUE"
8	randomMutation="RANDOM"
9	nThreads=4;
10	QUIT;

Résultat Attendu :

                                                    La table 'mon_modele_astore_complet' est créée et promue au niveau global. Elle intègre directement les instructions de transformation d'image (flip horizontal, recadrage et mutation de couleur) dans le modèle ASTORE.                                                

dlExportModel

Description

Paramètres Clés

Préparation des données

Préparation d'un modèle factice

Exemples d'utilisation

Export standard d'un modèle

Résultat Attendu :

Export d'un modèle d'analyse d'images avec data augmentation

Résultat Attendu :

Sommaire

FAQ