Когато използвате CMLE (Cloud Machine Learning Engine) за създаване на версия, е необходимо да посочите източник на експортиран модел. Това изискване е важно поради няколко причини, които ще бъдат обяснени подробно в този отговор.
Първо, нека разберем какво се има предвид под „изнесен модел“. В контекста на CMLE, експортиран модел се отнася до обучен модел за машинно обучение, който е бил записан или експортиран във формат, който може да се използва за прогнозиране. Този експортиран модел може да се съхранява в различни формати като TensorFlow SavedModel, TensorFlow Lite или дори персонализиран формат.
Сега, защо е необходимо да се посочи източник на експортиран модел, когато се създава версия в CMLE? Причината се крие в работния процес на CMLE и необходимостта от осигуряване на необходимите ресурси за обслужване на модела. Когато създава версия, CMLE трябва да знае къде се намира експортираният модел, така че да може да бъде разгърнат и направен достъпен за прогнозиране.
Чрез посочване на източника на експортирания модел, CMLE може ефективно да извлече модела и да го зареди в обслужващата инфраструктура. Това позволява на модела да бъде готов за заявки за прогнозиране от клиенти. Без да посочи източника, CMLE няма да знае къде да намери модела и няма да може да обслужва прогнози.
Освен това, указването на източника на експортирания модел позволява на CMLE да управлява ефективно версиите. При машинното обучение е обичайно да се обучават и итерират модели, подобрявайки ги с течение на времето. CMLE ви позволява да създавате множество версии на модел, всяка от които представлява различна итерация или подобрение. Чрез посочване на източника на експортирания модел, CMLE може да следи тези версии и да гарантира, че правилният модел се обслужва за всяка заявка за прогнозиране.
За да илюстрирате това, помислете за сценарий, при който инженер по машинно обучение обучава модел с помощта на TensorFlow и го експортира като SavedModel. След това инженерът използва CMLE, за да създаде версия на модела, като посочи източника като експортирания файл SavedModel. CMLE разгръща модела и го прави достъпен за прогнозиране. Сега, ако по-късно инженерът обучи подобрена версия на модела и я експортира като нов SavedModel, той може да създаде друга версия в CMLE, като посочи новия експортиран модел като източник. Това позволява на CMLE да управлява и двете версии поотделно и да обслужва подходящия модел въз основа на версията, посочена в заявките за прогнозиране.
Когато използвате CMLE за създаване на версия, указването на източник на експортиран модел е необходимо, за да се осигурят необходимите ресурси за обслужване на модела, да се даде възможност за ефективно извличане и зареждане на модела и да се поддържа версия на модели.
Други скорошни въпроси и отговори относно Напредък в машинното обучение:
- Какви са ограниченията при работа с големи набори от данни в машинното обучение?
- Може ли машинното обучение да окаже някаква диалогична помощ?
- Какво представлява детската площадка TensorFlow?
- Режимът на нетърпение предотвратява ли разпределената изчислителна функционалност на TensorFlow?
- Могат ли облачните решения на Google да се използват за отделяне на компютри от съхранение за по-ефективно обучение на ML модела с големи данни?
- Механизмът за машинно обучение в облака на Google (CMLE) предлага ли автоматично придобиване и конфигуриране на ресурси и обработва ли изключване на ресурси след приключване на обучението на модела?
- Възможно ли е да се обучават модели за машинно обучение върху произволно големи набори от данни без проблеми?
- Може ли CMLE да чете от данни за хранилище в Google Cloud и да използва определен обучен модел за извод?
- Може ли Tensorflow да се използва за обучение и извеждане на дълбоки невронни мрежи (DNN)?
- Какво представлява алгоритъмът за усилване на градиента?
Вижте още въпроси и отговори в „Напредък в машинното обучение“.