Vyžaduje si pri použití CMLE vytvorenie verzie špecifikáciu zdroja exportovaného modelu?
Pri použití CMLE (Cloud Machine Learning Engine) na vytvorenie verzie je potrebné špecifikovať zdroj exportovaného modelu. Táto požiadavka je dôležitá z niekoľkých dôvodov, ktoré budú podrobne vysvetlené v tejto odpovedi.
Po prvé, poďme pochopiť, čo znamená „exportovaný model“. V kontexte CMLE sa exportovaný model vzťahuje na trénovaný model strojového učenia, ktorý bol uložený alebo exportovaný vo formáte, ktorý možno použiť na predikciu. Tento exportovaný model je možné uložiť v rôznych formátoch, ako napríklad TensorFlow SavedModel, TensorFlow Lite alebo dokonca vo vlastnom formáte.
Prečo je teraz potrebné špecifikovať zdroj exportovaného modelu pri vytváraní verzie v CMLE? Dôvod spočíva v pracovnom postupe CMLE a potrebe zabezpečiť potrebné zdroje na obsluhu modelu. Pri vytváraní verzie potrebuje CMLE vedieť, kde sa exportovaný model nachádza, aby ho bolo možné nasadiť a sprístupniť na predikciu.
Zadaním zdroja exportovaného modelu môže CMLE efektívne načítať model a načítať ho do obslužnej infraštruktúry. To umožňuje, aby bol model pripravený na predikčné požiadavky od klientov. Bez špecifikácie zdroja by CMLE nevedelo, kde nájsť model a nebolo by schopné slúžiť predpovede.
Zadanie zdroja exportovaného modelu navyše umožňuje CMLE efektívne zvládnuť vytváranie verzií. V rámci strojového učenia je bežné trénovať a opakovať modely, ktoré sa časom zlepšujú. CMLE vám umožňuje vytvárať viaceré verzie modelu, pričom každá predstavuje inú iteráciu alebo vylepšenie. Zadaním zdroja exportovaného modelu môže CMLE sledovať tieto verzie a zabezpečiť, aby bol pre každú požiadavku na predikciu doručený správny model.
Na ilustráciu si predstavte scenár, v ktorom inžinier strojového učenia trénuje model pomocou TensorFlow a exportuje ho ako SavedModel. Inžinier potom použije CMLE na vytvorenie verzie modelu a špecifikuje zdroj ako exportovaný súbor SavedModel. CMLE nasadí model a sprístupní ho na predikciu. Teraz, ak inžinier neskôr trénuje vylepšenú verziu modelu a exportuje ju ako nový SavedModel, môže vytvoriť ďalšiu verziu v CMLE, pričom ako zdroj uvedie nový exportovaný model. To umožňuje CMLE spravovať obe verzie oddelene a obsluhovať príslušný model na základe verzie špecifikovanej v požiadavkách na predikciu.
Pri použití CMLE na vytvorenie verzie je potrebné špecifikovať zdroj exportovaného modelu, aby sa poskytli potrebné zdroje na obsluhu modelu, umožnilo sa efektívne vyhľadávanie a načítanie modelu a aby sa podporilo vytváranie verzií modelov.
Ďalšie nedávne otázky a odpovede týkajúce sa Pokrok v strojovom učení:
- Keď je jadro rozvetvené s údajmi a originál je súkromný, môže byť rozvetvené jadro verejné, a ak áno, nejde o porušenie súkromia?
- Aké sú obmedzenia pri práci s veľkými množinami údajov v rámci strojového učenia?
- Môže strojové učenie pomôcť pri dialógu?
- Čo je ihrisko TensorFlow?
- Bráni dychový režim distribuovanej výpočtovej funkcii TensorFlow?
- Dajú sa cloudové riešenia Google použiť na oddelenie výpočtovej techniky od úložiska pre efektívnejšie trénovanie modelu ML s veľkými dátami?
- Ponúka nástroj Google Cloud Machine Learning Engine (CMLE) automatické získavanie a konfiguráciu zdrojov a zabezpečuje ich vypnutie po dokončení školenia modelu?
- Je možné trénovať modely strojového učenia na ľubovoľne veľkých súboroch údajov bez štikútania?
- Môže CMLE čítať údaje z úložiska Google Cloud a použiť určený model na odvodenie?
- Môže byť Tensorflow použitý na tréning a odvodenie hlbokých neurónových sietí (DNN)?
Ďalšie otázky a odpovede nájdete v časti Pokrok v strojovom učení