Når du bruker CMLE (Cloud Machine Learning Engine) for å lage en versjon, er det nødvendig å spesifisere en kilde for en eksportert modell. Dette kravet er viktig av flere grunner, som vil bli forklart i detalj i dette svaret.
Først, la oss forstå hva som menes med "eksportert modell." I sammenheng med CMLE refererer en eksportert modell til en trent maskinlæringsmodell som har blitt lagret eller eksportert i et format som kan brukes til prediksjon. Denne eksporterte modellen kan lagres i forskjellige formater som TensorFlow SavedModel, TensorFlow Lite, eller til og med et tilpasset format.
Nå, hvorfor er det nødvendig å spesifisere en kilde til en eksportert modell når du oppretter en versjon i CMLE? Årsaken ligger i arbeidsflyten til CMLE og behovet for å skaffe de nødvendige ressursene for å betjene modellen. Når du oppretter en versjon, må CMLE vite hvor den eksporterte modellen er plassert slik at den kan distribueres og gjøres tilgjengelig for prediksjon.
Ved å spesifisere kilden til den eksporterte modellen, kan CMLE effektivt hente modellen og laste den inn i serveringsinfrastrukturen. Dette gjør at modellen er klar for prediksjonsforespørsler fra klienter. Uten å spesifisere kilden, ville ikke CMLE vite hvor den skal finne modellen og ville ikke være i stand til å tjene spådommer.
I tillegg, ved å spesifisere kilden til den eksporterte modellen, kan CMLE håndtere versjonshåndtering effektivt. I maskinlæring er det vanlig å trene og iterere på modeller, og forbedre dem over tid. CMLE lar deg lage flere versjoner av en modell, som hver representerer en annen iterasjon eller forbedring. Ved å spesifisere kilden til den eksporterte modellen, kan CMLE holde styr på disse versjonene og sikre at den riktige modellen blir servert for hver prediksjonsforespørsel.
For å illustrere dette, vurdere et scenario der en maskinlæringsingeniør trener en modell ved hjelp av TensorFlow og eksporterer den som en SavedModel. Ingeniøren bruker deretter CMLE til å lage en versjon av modellen, og spesifiserer kilden som den eksporterte SavedModel-filen. CMLE distribuerer modellen og gjør den tilgjengelig for prediksjon. Nå, hvis ingeniøren senere trener en forbedret versjon av modellen og eksporterer den som en ny SavedModel, kan de opprette en annen versjon i CMLE, og spesifisere den nye eksporterte modellen som kilde. Dette gjør at CMLE kan administrere begge versjonene separat og betjene den aktuelle modellen basert på versjonen spesifisert i prediksjonsforespørsler.
Når du bruker CMLE for å lage en versjon, er det nødvendig å spesifisere en kilde til en eksportert modell for å gi de nødvendige ressursene for å betjene modellen, muliggjøre effektiv henting og lasting av modellen, og støtte versjonering av modeller.
Andre nyere spørsmål og svar vedr Fremgang i maskinlæring:
- Hva er begrensningene ved å jobbe med store datasett i maskinlæring?
- Kan maskinlæring hjelpe til med dialog?
- Hva er TensorFlow-lekeplassen?
- Hindrer ivrig modus den distribuerte databehandlingsfunksjonaliteten til TensorFlow?
- Kan Googles skyløsninger brukes til å koble fra databehandling fra lagring for en mer effektiv opplæring av ML-modellen med big data?
- Tilbyr Google Cloud Machine Learning Engine (CMLE) automatisk ressursanskaffelse og konfigurasjon og håndterer ressursavslutning etter at opplæringen av modellen er fullført?
- Er det mulig å trene maskinlæringsmodeller på vilkårlig store datasett uten problemer?
- Kan CMLE lese fra Google Cloud-lagringsdata og bruke en spesifisert opplært modell for slutninger?
- Kan Tensorflow brukes til trening og inferens av dype nevrale nettverk (DNN)?
- Hva er Gradient Boosting-algoritmen?
Se flere spørsmål og svar i Avansere i maskinlæring