Czy w przypadku korzystania z CMLE utworzenie wersji wymaga określenia źródła eksportowanego modelu?
W przypadku korzystania z CMLE (Cloud Machine Learning Engine) do tworzenia wersji konieczne jest określenie źródła eksportowanego modelu. Wymóg ten jest ważny z kilku powodów, które zostaną szczegółowo wyjaśnione w tej odpowiedzi.
Po pierwsze, zrozummy, co oznacza „model eksportowany”. W kontekście CMLE wyeksportowany model odnosi się do wyszkolonego modelu uczenia maszynowego, który został zapisany lub wyeksportowany w formacie, którego można użyć do przewidywania. Ten wyeksportowany model można przechowywać w różnych formatach, takich jak TensorFlow SavedModel, TensorFlow Lite, a nawet w formacie niestandardowym.
Dlaczego konieczne jest określenie źródła eksportowanego modelu podczas tworzenia wersji w CMLE? Powodem jest przepływ pracy w CMLE i konieczność zapewnienia niezbędnych zasobów do obsługi modelu. Tworząc wersję, CMLE musi wiedzieć, gdzie znajduje się wyeksportowany model, aby można go było wdrożyć i udostępnić do przewidywania.
Określając źródło wyeksportowanego modelu, CMLE może skutecznie pobrać model i załadować go do infrastruktury obsługującej. Dzięki temu model może być gotowy na żądania prognoz od klientów. Bez określenia źródła CMLE nie wiedziałby, gdzie znaleźć model i nie byłby w stanie podać prognoz.
Dodatkowo określenie źródła wyeksportowanego modelu umożliwia CMLE efektywną obsługę wersjonowania. W uczeniu maszynowym powszechne jest trenowanie i iterowanie modeli, ulepszając je z biegiem czasu. CMLE umożliwia utworzenie wielu wersji modelu, z których każda reprezentuje inną iterację lub ulepszenie. Określając źródło wyeksportowanego modelu, CMLE może śledzić te wersje i zapewnić, że dla każdego żądania prognozy zostanie wyświetlony właściwy model.
Aby to zilustrować, rozważ scenariusz, w którym inżynier uczenia maszynowego szkoli model przy użyciu TensorFlow i eksportuje go jako SavedModel. Następnie inżynier używa CMLE do stworzenia wersji modelu, określając źródło jako wyeksportowany plik SavedModel. CMLE wdraża model i udostępnia go do przewidywania. Teraz, jeśli inżynier później wytrenuje ulepszoną wersję modelu i wyeksportuje ją jako nowy SavedModel, będzie mógł utworzyć kolejną wersję w CMLE, określając nowy wyeksportowany model jako źródło. Dzięki temu CMLE może zarządzać obiema wersjami oddzielnie i podawać odpowiedni model na podstawie wersji określonej w żądaniach prognozy.
W przypadku korzystania z CMLE do tworzenia wersji określenie źródła wyeksportowanego modelu jest konieczne, aby zapewnić niezbędne zasoby do obsługi modelu, umożliwić wydajne pobieranie i ładowanie modelu oraz wspierać wersjonowanie modeli.
Inne niedawne pytania i odpowiedzi dotyczące Postęp w uczeniu maszynowym:
- Czy można używać Kaggle do przesyłania danych finansowych oraz przeprowadzania analiz statystycznych i prognozowania przy użyciu modeli ekonometrycznych, takich jak R-kwadrat, ARIMA lub GARCH?
- Jeśli jądro jest rozwidlone i zawiera dane, a oryginał jest prywatny, czy rozwidlone jądro może być publiczne i czy jeśli tak, to czy nie narusza to prywatności?
- Jakie są ograniczenia w pracy z dużymi zbiorami danych w uczeniu maszynowym?
- Czy uczenie maszynowe może pomóc w dialogu?
- Czym jest plac zabaw TensorFlow?
- Czy tryb chętny uniemożliwia funkcjonalność przetwarzania rozproszonego TensorFlow?
- Czy rozwiązania chmurowe Google można wykorzystać do oddzielenia przetwarzania od pamięci masowej w celu efektywniejszego uczenia modelu uczenia maszynowego za pomocą dużych zbiorów danych?
- Czy Google Cloud Machine Learning Engine (CMLE) oferuje automatyczne pozyskiwanie i konfigurację zasobów oraz obsługuje zamykanie zasobów po zakończeniu uczenia modelu?
- Czy możliwe jest bezproblemowe trenowanie modeli uczenia maszynowego na dowolnie dużych zbiorach danych?
- Czy CMLE może odczytywać dane z magazynu Google Cloud i używać określonego przeszkolonego modelu do wnioskowania?
Zobacz więcej pytań i odpowiedzi w sekcji Postępy w uczeniu maszynowym