Pri uporabi CMLE (Cloud Machine Learning Engine) za ustvarjanje različice je treba navesti vir izvoženega modela. Ta zahteva je pomembna iz več razlogov, ki bodo podrobneje pojasnjeni v tem odgovoru.
Najprej poglejmo, kaj je mišljeno z "izvoženim modelom". V kontekstu CMLE se izvoženi model nanaša na usposobljen model strojnega učenja, ki je bil shranjen ali izvožen v obliki, ki jo je mogoče uporabiti za napovedovanje. Ta izvoženi model je mogoče shraniti v različnih formatih, kot je TensorFlow SavedModel, TensorFlow Lite ali celo format po meri.
Zakaj je treba pri ustvarjanju različice v CMLE določiti vir izvoženega modela? Razlog je v poteku dela CMLE in potrebi po zagotavljanju potrebnih virov za serviranje modela. Pri ustvarjanju različice mora CMLE vedeti, kje se nahaja izvoženi model, da ga je mogoče razmestiti in dati na voljo za predvidevanje.
Z določitvijo vira izvoženega modela lahko CMLE učinkovito pridobi model in ga naloži v strežno infrastrukturo. To omogoča, da je model pripravljen na zahteve strank po napovedih. Brez navedbe vira CMLE ne bi vedel, kje najti model, in ne bi mogel služiti napovedim.
Poleg tega določanje vira izvoženega modela omogoča CMLE učinkovito upravljanje različic. Pri strojnem učenju je običajno urjenje in ponavljanje modelov ter njihovo sčasoma izboljšanje. CMLE vam omogoča ustvarjanje več različic modela, od katerih vsaka predstavlja drugačno ponovitev ali izboljšavo. Z določitvijo vira izvoženega modela lahko CMLE sledi tem različicam in zagotovi, da je za vsako zahtevo po predvidevanju postrežen pravilen model.
Za ponazoritev tega razmislite o scenariju, kjer inženir strojnega učenja uri model z uporabo TensorFlow in ga izvozi kot SavedModel. Inženir nato uporabi CMLE za ustvarjanje različice modela, pri čemer navede vir kot izvoženo datoteko SavedModel. CMLE uvede model in ga da na voljo za napovedovanje. Zdaj, če inženir kasneje usposobi izboljšano različico modela in jo izvozi kot nov SavedModel, lahko ustvari drugo različico v CMLE, pri čemer navede nov izvoženi model kot vir. To omogoča CMLE, da ločeno upravlja obe različici in služi ustreznemu modelu na podlagi različice, navedene v zahtevah za predvidevanje.
Pri uporabi CMLE za ustvarjanje različice je treba določiti vir izvoženega modela, da se zagotovijo potrebni viri za streženje modela, omogoči učinkovito pridobivanje in nalaganje modela ter podpira različico modelov.
Druga nedavna vprašanja in odgovori v zvezi Napredek v strojnem učenju:
- Ko je jedro razcepljeno s podatki in je izvirnik zaseben, ali je lahko razcepljeno javno in če je tako, ne gre za kršitev zasebnosti?
- Kakšne so omejitve pri delu z velikimi nabori podatkov v strojnem učenju?
- Ali lahko strojno učenje pomaga pri dialogu?
- Kaj je igrišče TensorFlow?
- Ali način eager preprečuje porazdeljeno računalniško funkcionalnost TensorFlow?
- Ali je mogoče Googlove rešitve v oblaku uporabiti za ločitev računalništva od shranjevanja za učinkovitejše usposabljanje modela ML z velikimi podatki?
- Ali Google Cloud Machine Learning Engine (CMLE) ponuja samodejno pridobivanje in konfiguracijo virov ter upravlja zaustavitev virov po končanem usposabljanju modela?
- Ali je mogoče usposobiti modele strojnega učenja na poljubno velikih naborih podatkov brez kolcanja?
- Ali lahko CMLE bere podatke iz shrambe Google Cloud in za sklepanje uporabi določen usposobljen model?
- Ali je Tensorflow mogoče uporabiti za usposabljanje in sklepanje globokih nevronskih mrež (DNN)?
Oglejte si več vprašanj in odgovorov v Napredovanje v strojnem učenju