Kui kasutate versiooni loomiseks CMLE-d (Cloud Machine Learning Engine), on vaja määrata eksporditud mudeli allikas. See nõue on oluline mitmel põhjusel, mida selles vastuses üksikasjalikult selgitatakse.
Esiteks mõistame, mida tähendab "eksporditud mudel". CMLE kontekstis viitab eksporditud mudel koolitatud masinõppe mudelile, mis on salvestatud või eksporditud vormingus, mida saab kasutada ennustamiseks. Seda eksporditud mudelit saab salvestada erinevates vormingutes, nagu TensorFlow SavedModel, TensorFlow Lite või isegi kohandatud vormingus.
Miks on nüüd vaja CMLE-s versiooni loomisel määrata eksporditud mudeli allikas? Põhjus peitub CMLE töövoos ja vajaduses tagada mudeli teenindamiseks vajalikud ressursid. Versiooni loomisel peab CMLE teadma, kus eksporditud mudel asub, et seda saaks juurutada ja prognoosimiseks kättesaadavaks teha.
Eksporditud mudeli allika määramisega saab CMLE mudeli tõhusalt hankida ja selle teenindavasse infrastruktuuri laadida. See võimaldab mudelil olla klientide prognoosipäringute jaoks valmis. Ilma allikat täpsustamata ei tea CMLE, kust mudelit leida, ega saaks ennustusi esitada.
Lisaks võimaldab eksporditud mudeli allika määramine CMLE-l tõhusalt versioonimist käsitleda. Masinõppes on tavaline, et koolitatakse ja korratakse mudeleid, täiustades neid aja jooksul. CMLE võimaldab teil luua mudelist mitu versiooni, millest igaüks esindab erinevat iteratsiooni või täiustust. Eksporditud mudeli allika määramisega saab CMLE neid versioone jälgida ja tagada, et iga ennustuspäringu jaoks esitatakse õige mudel.
Selle illustreerimiseks kaaluge stsenaariumit, kus masinõppeinsener koolitab mudeli TensorFlow abil ja ekspordib selle SavedModelina. Seejärel kasutab insener mudeli versiooni loomiseks CMLE-d, määrates allika eksporditud SavedModel-failina. CMLE juurutab mudeli ja teeb selle prognoosimiseks kättesaadavaks. Nüüd, kui insener koolitab hiljem välja mudeli täiustatud versiooni ja ekspordib selle uue SavedModelina, saab ta luua CMLE-s teise versiooni, määrates allikana uue eksporditud mudeli. See võimaldab CMLE-l hallata mõlemat versiooni eraldi ja teenindada sobivat mudelit ennustuspäringutes määratud versiooni alusel.
Kui kasutate versiooni loomiseks CMLE-d, on eksporditud mudeli allika määramine vajalik, et tagada mudeli teenindamiseks vajalikud ressursid, võimaldada mudeli tõhusat otsimist ja laadimist ning toetada mudelite versioonimist.
Muud hiljutised küsimused ja vastused selle kohta Masinõppes edasijõudmine:
- Millised on masinõppes suurte andmekogumitega töötamise piirangud?
- Kas masinõpe võib anda dialoogilist abi?
- Mis on TensorFlow mänguväljak?
- Kas innukas režiim takistab TensorFlow hajutatud andmetöötluse funktsionaalsust?
- Kas Google'i pilvelahendusi saab kasutada andmetöötluse lahtiühendamiseks salvestusruumist, et ML-mudelit suurte andmetega tõhusamalt treenida?
- Kas Google Cloud Machine Learning Engine (CMLE) pakub automaatset ressursside hankimist ja konfigureerimist ning käsitleb ressursside väljalülitamist pärast mudeli väljaõppe lõpetamist?
- Kas masinõppemudeleid on võimalik suvaliselt suurtes andmekogumites ilma tõrgeteta koolitada?
- Kas CMLE saab lugeda Google'i pilvesalvestuse andmeid ja kasutada järelduste tegemiseks konkreetset koolitatud mudelit?
- Kas Tensorflow't saab kasutada sügavate närvivõrkude (DNN) treenimiseks ja järelduste tegemiseks?
- Mis on gradiendi võimendamise algoritm?
Vaadake rohkem küsimusi ja vastuseid jaotisest Masinõppes edasijõudmine