Ha CMLE-t (Cloud Machine Learning Engine) használ egy verzió létrehozásához, meg kell adni az exportált modell forrását. Ez a követelmény több okból is fontos, amelyeket ebben a válaszban részletesen kifejtünk.
Először is, értsük meg, mit jelent az „exportált modell”. A CMLE kontextusában az exportált modell egy betanított gépi tanulási modellre utal, amelyet előrejelzésre használható formátumban mentettek vagy exportáltak. Ez az exportált modell különféle formátumokban tárolható, például TensorFlow SavedModel, TensorFlow Lite, vagy akár egyéni formátumban.
Most miért van szükség egy exportált modell forrásának megadására, amikor egy verziót hoz létre a CMLE-ben? Az ok a CMLE munkafolyamatában és a modell kiszolgálásához szükséges erőforrások biztosításának szükségességében rejlik. Verzió létrehozásakor a CMLE-nek tudnia kell, hogy az exportált modell hol található, hogy üzembe helyezhető és elérhetővé váljon az előrejelzéshez.
Az exportált modell forrásának megadásával a CMLE hatékonyan lekérheti a modellt, és betöltheti a kiszolgáló infrastruktúrába. Ez lehetővé teszi, hogy a modell készen álljon az ügyfelektől érkező előrejelzési kérésekre. A forrás megadása nélkül a CMLE nem tudná, hol találja a modellt, és nem tudna előrejelzéseket szolgálni.
Ezenkívül az exportált modell forrásának megadása lehetővé teszi a CMLE számára, hogy hatékonyan kezelje a verziókezelést. A gépi tanulásban gyakori a modellek betanítása és iterálása, idővel javítva azokat. A CMLE lehetővé teszi egy modell több verziójának létrehozását, amelyek mindegyike más iterációt vagy fejlesztést képvisel. Az exportált modell forrásának megadásával a CMLE nyomon követheti ezeket a verziókat, és gondoskodhat arról, hogy minden egyes előrejelzési kérelemhez a megfelelő modell kerüljön kiszolgálásra.
Ennek szemléltetésére vegyen fontolóra egy olyan forgatókönyvet, amelyben egy gépi tanulási mérnök betanít egy modellt a TensorFlow használatával, és SavedModelként exportálja. A mérnök ezután a CMLE segítségével létrehozza a modell verzióját, és a forrást az exportált SavedModel fájlként adja meg. A CMLE telepíti a modellt, és elérhetővé teszi az előrejelzéshez. Most, ha a mérnök később betanítja a modell továbbfejlesztett változatát, és új mentett modellként exportálja, létrehozhat egy másik verziót a CMLE-ben, megadva az új exportált modellt forrásként. Ez lehetővé teszi a CMLE számára, hogy mindkét verziót külön kezelje, és a megfelelő modellt szolgálja ki az előrejelzési kérésekben megadott verzió alapján.
Ha CMLE-t használ egy verzió létrehozásához, az exportált modell forrásának megadása szükséges a modell kiszolgálásához szükséges erőforrások biztosításához, a modell hatékony lekéréséhez és betöltéséhez, valamint a modellek verziószámának támogatásához.
További friss kérdések és válaszok ezzel kapcsolatban Haladás a gépi tanulásban:
- Ha egy kernel el van forkolva adatokkal, és az eredeti privát, akkor a forked lehet nyilvános, és ha igen, akkor az nem sérti a magánéletet?
- Milyen korlátai vannak a nagy adatkészletekkel való munkavégzésnek a gépi tanulásban?
- A gépi tanulás segíthet némi párbeszédben?
- Mi az a TensorFlow játszótér?
- Megakadályozza-e a lelkes üzemmód a TensorFlow elosztott számítási funkcióit?
- Használhatók-e a Google felhőmegoldásai a számítástechnika leválasztására a tárhelyről az ML-modell nagy adatokkal való hatékonyabb betanítása érdekében?
- A Google Cloud Machine Learning Engine (CMLE) kínál automatikus erőforrás-beszerzést és -konfigurálást, és kezeli az erőforrások leállítását a modell betanítása után?
- Lehetséges-e gépi tanulási modelleket betanítani tetszőlegesen nagy adathalmazokra gond nélkül?
- A CMLE képes kiolvasni a Google Cloud tárolási adatait, és használhat egy meghatározott betanított modellt következtetésre?
- Használható-e a Tensorflow a mély neurális hálózatok (DNN) betanítására és következtetésére?
További kérdések és válaszok az Advancing in Machine Learning című témakörben