Assurer une stricte reproductibilité dans un environnement hautement parallélisé est un défi algorithmique géré par le paramètre booléen deterministic. Lorsqu'il est activé, il impose un comportement séquentiel aux opérations de calcul des tenseurs, au prix d'un léger compromis sur la performance absolue. Pour figer le parcours de lecture des données distribuées, il faut systématiquement associer une clé de tri via le paramètre keyVar. Enfin, bien qu'il s'agisse d'une action 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., la qualité des prédictions peut être évaluée dynamiquement à l'aide du paramètre objective, qui prend en charge des métriques d'erreur fondamentales telles que l'entropie croisée, l'erreur quadratique moyenne ou la log-vraisemblance négative.
Comment assurer l'exacte reproductibilité des prédictions et évaluer la perte lors de l'inférence ?
Reproductibilité et Validation de Perte sous Viya 4
Exemples pour l'action dlmzScore
Scoring basique
Utilisation de dlmzScore avec les paramètres obligatoires pour obtenir les prédictions d'un modèle entraîné.
Scoring avancé avec accélération matérielle et options YAML
Un exemple de configuration exhaustive pour des performances maximales : distribution des données, utilisation de 2 GPUs, multi-threading et options YAML personnalisées.
Conseil de l'Expert
Ne confondez pas la graine aléatoire (seed) de l'entraînement avec le déterminisme de l'inférence. Pour une reproductibilité bit-à-bit en scoring, l'activation du mode deterministic est indispensable, mais elle doit être couplée à un partitionnement stable des données (copyVars) pour éviter tout décalage d'index lors de la sortie des résultats.
Cette réponse vous a-t-elle aidé ?
À lire aussi...
Comment l'action dlmzScore révolutionne-t-elle l'inférence des modèles PyTorch dans SAS Viya ?
Est-il possible d'appliquer des transformations à la volée ou de mapper des variables nominales lors du scoring ?
Quels sont les leviers techniques pour maximiser la vitesse de scoring sur des environnements multi-noeuds et GPU ?
Comment maitriser précisément le flux de données en entrée et en sortie lors du scoring de modèles profonds ?