Kun käytät CMLE:tä (Cloud Machine Learning Engine) version luomiseen, on määritettävä viedyn mallin lähde. Tämä vaatimus on tärkeä useista syistä, jotka selitetään yksityiskohtaisesti tässä vastauksessa.
Ensinnäkin, ymmärretään, mitä tarkoitetaan "viedyllä mallilla". CMLE:n yhteydessä viedyllä mallilla tarkoitetaan koulutettua koneoppimismallia, joka on tallennettu tai viety muodossa, jota voidaan käyttää ennustamiseen. Tämä viety malli voidaan tallentaa eri muodoissa, kuten TensorFlow SavedModel, TensorFlow Lite tai jopa mukautetussa muodossa.
Miksi nyt on tarpeen määrittää viedyn mallin lähde luotaessa versiota CMLE:ssä? Syynä on CMLE:n työnkulku ja tarve tarjota tarvittavat resurssit mallin palvelemiseen. Versiota luodessaan CMLE:n on tiedettävä, missä viety malli sijaitsee, jotta se voidaan ottaa käyttöön ja asettaa saataville ennakointia varten.
Määrittämällä viedyn mallin lähteen CMLE voi tehokkaasti hakea mallin ja ladata sen palvelevaan infrastruktuuriin. Tämä mahdollistaa sen, että malli on valmis asiakkaiden ennustepyyntöihin. Ilman lähdettä CMLE ei tietäisi mistä mallia löytää, eikä pystyisi palvelemaan ennusteita.
Lisäksi viedyn mallin lähteen määrittäminen antaa CMLE:lle mahdollisuuden käsitellä versiointia tehokkaasti. Koneoppimisessa on yleistä kouluttaa ja iteroida malleja parantaen niitä ajan myötä. CMLE:n avulla voit luoda mallista useita versioita, joista jokainen edustaa eri iteraatiota tai parannusta. Määrittämällä viedyn mallin lähteen CMLE voi seurata näitä versioita ja varmistaa, että jokaiselle ennustepyynnölle tarjotaan oikea malli.
Tämän havainnollistamiseksi harkitse skenaariota, jossa koneoppimisinsinööri kouluttaa mallin TensorFlow'n avulla ja vie sen SavedModel-mallina. Suunnittelija luo sitten mallin version CMLE:n avulla ja määrittää lähteen vietyksi SavedModel-tiedostoksi. CMLE ottaa mallin käyttöön ja mahdollistaa sen ennustamisen. Nyt, jos insinööri kouluttaa myöhemmin mallin parannetun version ja vie sen uutena SavedModelina, hän voi luoda uuden version CMLE:ssä ja määrittää uuden viedyn mallin lähteeksi. Tämän ansiosta CMLE voi hallita molempia versioita erikseen ja palvella sopivaa mallia ennustepyynnöissä määritetyn version perusteella.
Käytettäessä CMLE:tä version luomiseen, viedyn mallin lähteen määrittäminen on välttämätöntä, jotta saadaan tarvittavat resurssit mallin palvelemiseen, mahdollistaa mallin tehokas nouto ja lataaminen sekä tuetaan mallien versiointia.
Muita viimeaikaisia kysymyksiä ja vastauksia liittyen Edistyminen koneoppimisessa:
- Mitä rajoituksia suurten tietojoukkojen kanssa työskentelyssä on koneoppimisessa?
- Voiko koneoppiminen auttaa dialogia?
- Mikä on TensorFlow-leikkipaikka?
- Estääkö innokas tila TensorFlow'n hajautetun laskentatoiminnon?
- Voidaanko Googlen pilviratkaisujen avulla irrottaa tietojenkäsittely tallennustilasta, jotta ML-mallia voidaan harjoittaa tehokkaammin ison datan kanssa?
- Tarjoaako Google Cloud Machine Learning Engine (CMLE) automaattisen resurssien hankinnan ja määrityksen ja hoitaako resurssien sulkemisen mallin koulutuksen jälkeen?
- Onko mahdollista kouluttaa koneoppimismalleja mielivaltaisen suurille tietojoukoille ilman hikkausta?
- Voiko CMLE lukea Google Cloud -tallennustiedoista ja käyttää tiettyä koulutettua mallia johtopäätösten tekemiseen?
- Voidaanko Tensorflowa käyttää syvien hermoverkkojen (DNN) harjoittamiseen ja päättelemiseen?
- Mikä on Gradient Boosting -algoritmi?
Katso lisää kysymyksiä ja vastauksia kohdassa Advancing in Machine Learning