Kada koristite CMLE (Cloud Machine Learning Engine) za izradu verzije, potrebno je navesti izvor izvezenog modela. Ovaj zahtjev je važan iz više razloga, koji će biti detaljno objašnjeni u ovom odgovoru.
Prvo, shvatimo što se podrazumijeva pod "izvezenim modelom". U kontekstu CMLE-a, izvezeni model odnosi se na obučeni model strojnog učenja koji je spremljen ili izvezen u formatu koji se može koristiti za predviđanje. Ovaj izvezeni model može se pohraniti u različitim formatima kao što su TensorFlow SavedModel, TensorFlow Lite ili čak prilagođeni format.
Sada, zašto je potrebno navesti izvor izvezenog modela kada se stvara verzija u CMLE-u? Razlog leži u tijeku rada CMLE-a i potrebi da se osiguraju potrebni resursi za posluživanje modela. Prilikom izrade verzije, CMLE mora znati gdje se nalazi izvezeni model kako bi se mogao implementirati i učiniti dostupnim za predviđanje.
Određivanjem izvora izvezenog modela, CMLE može učinkovito dohvatiti model i učitati ga u infrastrukturu posluživanja. To omogućuje modelu da bude spreman za zahtjeve klijenata za predviđanje. Bez navođenja izvora, CMLE ne bi znao gdje pronaći model i ne bi mogao služiti predviđanjima.
Dodatno, navođenje izvora izvezenog modela omogućuje CMLE-u učinkovito rukovanje verzijama. U strojnom učenju uobičajeno je trenirati i ponavljati modele, poboljšavajući ih tijekom vremena. CMLE vam omogućuje stvaranje više verzija modela, od kojih svaka predstavlja različitu iteraciju ili poboljšanje. Određivanjem izvora izvezenog modela, CMLE može pratiti ove verzije i osigurati da se ispravan model poslužuje za svaki zahtjev za predviđanje.
Da bismo to ilustrirali, razmotrimo scenarij u kojem inženjer strojnog učenja trenira model koristeći TensorFlow i izvozi ga kao SavedModel. Inženjer zatim koristi CMLE za izradu verzije modela, navodeći izvor kao izvezenu datoteku SavedModel. CMLE implementira model i čini ga dostupnim za predviđanje. Sada, ako inženjer kasnije uvježba poboljšanu verziju modela i izveze je kao novi SavedModel, može stvoriti drugu verziju u CMLE-u, navodeći novi izvezeni model kao izvor. To omogućuje CMLE-u da zasebno upravlja objema verzijama i posluži odgovarajući model na temelju verzije navedene u zahtjevima za predviđanje.
Kada koristite CMLE za stvaranje verzije, navođenje izvora izvezenog modela je neophodno kako bi se osigurali potrebni resursi za posluživanje modela, omogućilo učinkovito dohvaćanje i učitavanje modela i podržalo izradu verzija modela.
Ostala nedavna pitanja i odgovori u vezi Napredak u strojnom učenju:
- Kada je kernel račvan s podacima, a izvornik je privatan, može li račvasti biti javan i ako jest, nije li to povreda privatnosti?
- Koja su ograničenja u radu s velikim skupovima podataka u strojnom učenju?
- Može li strojno učenje pomoći u dijalogu?
- Što je TensorFlow igralište?
- Sprečava li eager mod funkcionalnost distribuiranog računalstva TensorFlowa?
- Mogu li se Google rješenja u oblaku koristiti za odvajanje računalstva od pohrane radi učinkovitije obuke ML modela s velikim podacima?
- Nudi li Google Cloud Machine Learning Engine (CMLE) automatsko prikupljanje i konfiguraciju resursa i upravlja li isključivanjem resursa nakon završetka obuke modela?
- Je li moguće trenirati modele strojnog učenja na proizvoljno velikim skupovima podataka bez problema?
- Može li CMLE čitati podatke iz Google Cloud pohrane i koristiti određeni obučeni model za zaključivanje?
- Može li se Tensorflow koristiti za obuku i zaključivanje dubokih neuronskih mreža (DNN)?
Pogledajte više pitanja i odgovora u Napredak u strojnom učenju