Izmantojot CMLE (Cloud Machine Learning Engine), lai izveidotu versiju, ir jānorāda eksportētā modeļa avots. Šī prasība ir svarīga vairāku iemeslu dēļ, kas tiks detalizēti izskaidroti šajā atbildē.
Pirmkārt, sapratīsim, ko nozīmē “eksportētais modelis”. CMLE kontekstā eksportētais modelis attiecas uz apmācītu mašīnmācīšanās modeli, kas ir saglabāts vai eksportēts formātā, ko var izmantot prognozēšanai. Šo eksportēto modeli var saglabāt dažādos formātos, piemēram, TensorFlow SavedModel, TensorFlow Lite vai pat pielāgotā formātā.
Tagad, kāpēc, veidojot versiju CMLE, ir jānorāda eksportētā modeļa avots? Iemesls ir CMLE darbplūsmā un nepieciešamība nodrošināt nepieciešamos resursus modeļa apkalpošanai. Veidojot versiju, CMLE ir jāzina, kur atrodas eksportētais modelis, lai to varētu izvietot un padarīt pieejamu prognozēšanai.
Norādot eksportētā modeļa avotu, CMLE var efektīvi izgūt modeli un ielādēt to apkalpošanas infrastruktūrā. Tas ļauj modelim būt gatavam prognozēšanas pieprasījumiem no klientiem. Nenorādot avotu, CMLE nezinātu, kur atrast modeli, un nespētu sniegt prognozes.
Turklāt, norādot eksportētā modeļa avotu, CMLE var efektīvi apstrādāt versiju izveidi. Mašīnmācībā ir ierasts apmācīt un atkārtot modeļus, laika gaitā tos uzlabojot. CMLE ļauj izveidot vairākas modeļa versijas, no kurām katra atspoguļo atšķirīgu iterāciju vai uzlabojumu. Norādot eksportētā modeļa avotu, CMLE var sekot līdzi šīm versijām un nodrošināt, ka katram prognozēšanas pieprasījumam tiek rādīts pareizais modelis.
Lai to ilustrētu, apsveriet scenāriju, kurā mašīnmācības inženieris apmāca modeli, izmantojot TensorFlow, un eksportē to kā SavedModel. Pēc tam inženieris izmanto CMLE, lai izveidotu modeļa versiju, norādot avotu kā eksportēto SavedModel failu. CMLE izvieto modeli un padara to pieejamu prognozēšanai. Tagad, ja inženieris vēlāk apmāca modeļa uzlabotu versiju un eksportē to kā jaunu SavedModel, viņš var izveidot citu versiju CMLE, norādot jauno eksportēto modeli kā avotu. Tas ļauj CMLE pārvaldīt abas versijas atsevišķi un apkalpot atbilstošo modeli, pamatojoties uz prognozēšanas pieprasījumos norādīto versiju.
Izmantojot CMLE versijas izveidei, ir jānorāda eksportētā modeļa avots, lai nodrošinātu nepieciešamos resursus modeļa apkalpošanai, nodrošinātu efektīvu modeļa izgūšanu un ielādi, kā arī atbalstītu modeļu versiju veidošanu.
Citi jaunākie jautājumi un atbildes par Virzība mašīnmācībā:
- Kādi ir ierobežojumi darbam ar lielām datu kopām mašīnmācībā?
- Vai mašīnmācība var sniegt dialogu?
- Kas ir TensorFlow rotaļu laukums?
- Vai dedzīgais režīms neļauj TensorFlow izkliedēt skaitļošanas funkcionalitāti?
- Vai Google mākoņa risinājumus var izmantot, lai atsaistītu skaitļošanu no krātuves, lai efektīvāk apmācītu ML modeli ar lielajiem datiem?
- Vai Google Cloud Machine Learning Engine (CMLE) piedāvā automātisku resursu ieguvi un konfigurēšanu un apstrādā resursu izslēgšanu pēc modeļa apmācības pabeigšanas?
- Vai ir iespējams apmācīt mašīnmācības modeļus patvaļīgi lielām datu kopām bez žagas?
- Vai CMLE var nolasīt Google mākoņa krātuves datus un izmantot noteiktu apmācītu modeli secinājumu veikšanai?
- Vai Tensorflow var izmantot dziļo neironu tīklu (DNN) apmācībai un secinājumiem?
- Kas ir gradienta palielināšanas algoritms?
Skatiet vairāk jautājumu un atbilžu sadaļā “Mašīnmācības attīstība”.