Komponent Pusher v TensorFlow Extended (TFX) je základnou súčasťou potrubia TFX, ktorý zabezpečuje nasadenie trénovaných modelov do rôznych cieľových prostredí. Ciele nasadenia pre komponent Pusher v TFX sú rôznorodé a flexibilné, čo používateľom umožňuje nasadiť svoje modely na rôzne platformy v závislosti od ich špecifických požiadaviek. V tejto odpovedi preskúmame niektoré bežné ciele nasadenia pre komponent Pusher a poskytneme komplexné vysvetlenie každého z nich.
1. Miestne nasadenie:
Komponent Pusher podporuje lokálne nasadenie, ktoré používateľom umožňuje nasadiť svoje natrénované modely na lokálnom počítači. To je užitočné pre účely testovania a vývoja, kde je možné model nasadiť a vyhodnotiť bez potreby distribuovaného systému alebo externej infraštruktúry. Lokálne nasadenie sa dosiahne jednoduchým špecifikovaním lokálnej cesty, kde sú uložené artefakty modelu.
Príklad:
python pusher = Pusher( model=trainer.outputs['model'], model_blessing=evaluator.outputs['blessing'], push_destination=pusher_pb2.PushDestination( filesystem=pusher_pb2.PushDestination.Filesystem( base_directory='/path/to/local/deployment' ) ) )
2. Platforma Google Cloud AI:
Komponent Pusher tiež podporuje nasadenie do platformy Google Cloud AI Platform, spravovanej služby, ktorá poskytuje prostredie bez servera na spúšťanie modelov strojového učenia. To umožňuje používateľom jednoducho nasadiť svoje modely do cloudu a využiť škálovateľnosť a spoľahlivosť, ktorú ponúka Google Cloud. Na nasadenie na platformu Google Cloud AI musia používatelia poskytnúť ID projektu, názov modelu a názov verzie.
Príklad:
python pusher = Pusher( model=trainer.outputs['model'], model_blessing=evaluator.outputs['blessing'], push_destination=pusher_pb2.PushDestination( ai_platform_push=pusher_pb2.PushDestination.AIPlatformPush( project_id='my-project', model_id='my-model', version_id='v1' ) ) )
3. Podávanie TensorFlow:
TensorFlow Serving je otvorený systém poskytovania služieb na nasadenie modelov strojového učenia. Komponent Pusher v TFX podporuje nasadenie do TensorFlow Serving, čo umožňuje používateľom nasadiť ich modely do distribuovanej infraštruktúry. To umožňuje vysokovýkonné a škálovateľné poskytovanie modelov, vďaka čomu je vhodný pre produkčné nasadenia. Na nasadenie do TensorFlow Serving musia používatelia poskytnúť adresu a port servera modelu TensorFlow Serving.
Príklad:
python pusher = Pusher( model=trainer.outputs['model'], model_blessing=evaluator.outputs['blessing'], push_destination=pusher_pb2.PushDestination( tensorflow_serving=pusher_pb2.PushDestination.TensorFlowServing( tags=['serve'], server='localhost:8500' ) ) )
4. Ďalšie vlastné ciele nasadenia:
Komponent Pusher v TFX je navrhnutý tak, aby bol rozšíriteľný a umožnil používateľom definovať svoje vlastné ciele nasadenia. To dáva používateľom flexibilitu pri nasadzovaní svojich modelov do akéhokoľvek prostredia alebo systému, ktorý môže využívať modely TensorFlow. Používatelia môžu implementovať svoju vlastnú podtriedu `PushDestination` a zaregistrovať ju v komponente Pusher, aby umožnili nasadenie do ich cieľového prostredia.
Príklad:
python class MyCustomPushDestination(pusher_pb2.PushDestination): def __init__(self, my_custom_arg): self.my_custom_arg = my_custom_arg pusher = Pusher( model=trainer.outputs['model'], model_blessing=evaluator.outputs['blessing'], push_destination=MyCustomPushDestination(my_custom_arg='custom_value') )
Komponent Pusher v TFX podporuje rôzne ciele nasadenia vrátane miestneho nasadenia, platformy Google Cloud AI, TensorFlow Serving a vlastných cieľov nasadenia. Táto flexibilita umožňuje používateľom nasadiť svoje natrénované modely do rôznych prostredí v závislosti od ich špecifických potrieb a nastavenia infraštruktúry.
Ďalšie nedávne otázky a odpovede týkajúce sa Distribuované spracovanie a komponenty:
- Aký je účel komponentu Evaluator v TFX?
- Aké sú dva typy SavedModels generované komponentom Trainer?
- Ako komponent Transform zabezpečuje konzistentnosť medzi tréningovým a servisným prostredím?
- Aká je úloha Apache Beam v rámci TFX?