Vyžaduje při použití CMLE vytvoření verze zadání zdroje exportovaného modelu?
Při použití CMLE (Cloud Machine Learning Engine) k vytvoření verze je nutné zadat zdroj exportovaného modelu. Tento požadavek je důležitý z několika důvodů, které budou podrobně vysvětleny v této odpovědi.
Nejprve si ujasněme, co znamená „exportovaný model“. V kontextu CMLE se exportovaný model týká trénovaného modelu strojového učení, který byl uložen nebo exportován ve formátu, který lze použít pro predikci. Tento exportovaný model lze uložit v různých formátech, jako je TensorFlow SavedModel, TensorFlow Lite nebo dokonce vlastní formát.
Proč je nyní nutné specifikovat zdroj exportovaného modelu při vytváření verze v CMLE? Důvod spočívá v pracovním postupu CMLE a potřebě zajistit potřebné zdroje pro obsluhu modelu. Při vytváření verze potřebuje CMLE vědět, kde se exportovaný model nachází, aby mohl být nasazen a zpřístupněn pro predikci.
Zadáním zdroje exportovaného modelu může CMLE efektivně načíst model a načíst jej do obslužné infrastruktury. To umožňuje, aby byl model připraven na prediktivní požadavky od klientů. Bez specifikace zdroje by CMLE nevěděl, kde model najít, a nemohl by sloužit předpovědi.
Zadání zdroje exportovaného modelu navíc umožňuje CMLE efektivně zpracovávat verzování. Ve strojovém učení je běžné trénovat a opakovat modely, které se postupem času vylepšují. CMLE umožňuje vytvářet více verzí modelu, z nichž každá představuje jinou iteraci nebo vylepšení. Zadáním zdroje exportovaného modelu může CMLE sledovat tyto verze a zajistit, aby byl pro každý požadavek na předpověď poskytnut správný model.
Pro ilustraci si představte scénář, kdy inženýr strojového učení trénuje model pomocí TensorFlow a exportuje jej jako SavedModel. Technik pak použije CMLE k vytvoření verze modelu a specifikuje zdroj jako exportovaný soubor SavedModel. CMLE nasadí model a zpřístupní jej pro predikci. Nyní, pokud inženýr později trénuje vylepšenou verzi modelu a exportuje ji jako nový SavedModel, může vytvořit další verzi v CMLE, přičemž jako zdroj určí nový exportovaný model. To umožňuje CMLE spravovat obě verze samostatně a obsluhovat příslušný model na základě verze specifikované v požadavcích na predikci.
Při použití CMLE k vytvoření verze je nutné zadat zdroj exportovaného modelu, aby byly poskytnuty potřebné zdroje pro obsluhu modelu, umožnilo se efektivní načítání a načítání modelu a podporovalo se verzování modelů.
Další nedávné otázky a odpovědi týkající se Pokrok ve strojovém učení:
- Je možné použít Kaggle k nahrávání finančních dat a provádění statistických analýz a prognóz pomocí ekonometrických modelů, jako je R-squared, ARIMA nebo GARCH?
- Když je jádro rozvětveno daty a originál je soukromý, může být rozvětvené jádro veřejné, a pokud ano, nejedná se o porušení soukromí?
- Jaká jsou omezení při práci s velkými datovými sadami ve strojovém učení?
- Dokáže strojové učení nějakou dialogickou pomoc?
- Co je hřiště TensorFlow?
- Brání režim Eager distribuované výpočetní funkci TensorFlow?
- Lze cloudová řešení Google použít k oddělení výpočetní techniky od úložiště pro efektivnější trénování modelu ML s velkými daty?
- Nabízí Google Cloud Machine Learning Engine (CMLE) automatické získávání a konfiguraci zdrojů a zpracovává vypnutí zdrojů po dokončení školení modelu?
- Je možné trénovat modely strojového učení na libovolně velkých souborech dat bez škytavky?
- Může CMLE číst data z úložiště Google Cloud a používat určený trénovaný model pro odvození?
Další otázky a odpovědi naleznete v části Pokrok ve strojovém učení