Quelle est la meilleure pratique pour gérer le dictionnaire des étiquettes métiers lors du chargement d'un modèle de classification ?

Automatisation du mapping métier via labelTable

Un 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. profond configuré pour la classification produit mathématiquement des vecteurs de probabilités reposant sur des indexStructure de données accélérant la lecture des lignes d'une table en ciblant directement les valeurs des colonnes indexées, réduisant ainsi les entrées/sorties disque et le temps de traitement. numériques abstraits. Pour traduire automatiquement ces sorties brutes en catégories métiers exploitables, l'action intègre le paramètre labelTable. Il est recommandé de fournir une table CAS de référence comportant strictement deux colonnes : un identifiant numérique (démarrant obligatoirement à zéro) et une variable au format caractère définissant le libellé de la catégorie. L'environnement distribué liera définitivement ce dictionnaire aux poids du réseau, garantissant ainsi des prédictions claires lors des déploiements en production.

Exemples pour l'action dlImportModelWeights

Importation classique de poids Keras

Ce code charge les poids stockés dans un fichier `.h5` issu de Keras dans la table CAS %%Poids_Importes%%, pour l'appliquer à l'architecture %%MonModeleKeras%%.

Importation de poids pour la reconnaissance d'images (ResNet50)

Lorsque la complexité du réseau le requiert, l'option %%dataSpecs%% permet d'indiquer à la couche d'entrée du modèle (ici `input_1`) qu'elle doit se binder correctement avec des tenseurs de type %%IMAGE%%. Idéal pour faire correspondre l'architecture Keras d'origine aux couches construites dans SAS Viya.