Oui, l'optimisation des performances est possible. Si vos tables de 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). et de poids sont particulièrement volumineuses, vous pouvez activer le sous-paramètre singlePass (disponible dans initWeights et modelTable). Cela indique au serveur de ne pas créer de table transitoire en mémoire, réduisant ainsi l'empreinte RAM. Par ailleurs, bien que la tâche soit principalement séquentielle, le paramètre global nThreads permet de contrôler le parallélisme alloué à l'action si le traitement de la table le permet.
Existe-t-il des leviers pour optimiser l'empreinte mémoire lors de la génération du code sur de très gros modèles ?
Exemples pour l'action dnnCode
Génération de code de base
Génère un simple code DATA step pour un modèle existant et sauvegarde les instructions textuelles dans une nouvelle table CAS.
Génération avancée avec formatage pour les humains
Génération de code avec inclusion de commentaires explicatifs, paramétrage fin de l'indentation, et définition d'un ID de modèle spécifique pour une meilleure traçabilité.
Cette réponse vous a-t-elle aidé ?
À lire aussi...
Quels sont les paramètres incontournables pour garantir la génération du code de scoring ?
Quelles sont les meilleures pratiques pour formater et sauvegarder le code généré afin de l'intégrer à mes pipelines de données ?
Puis-je isoler une version spécifique de mon modèle directement lors de l'appel à dnnCode ?
Comment anticiper les problèmes de compatibilité des noms de variables lors de l'exportation du code ?
Comment l'action dnnCode transforme-t-elle mes modèles de Deep Learning en valeur actionnable en production ?