Quan s'utilitza CMLE, la creació d'una versió requereix especificar una font d'un model exportat?
Quan s'utilitza CMLE (Cloud Machine Learning Engine) per crear una versió, cal especificar una font d'un model exportat. Aquest requisit és important per diverses raons, que s'explicaran detalladament en aquesta resposta.
En primer lloc, entenem què s'entén per "model exportat". En el context de CMLE, un model exportat fa referència a un model d'aprenentatge automàtic entrenat que s'ha desat o exportat en un format que es pot utilitzar per a la predicció. Aquest model exportat es pot emmagatzemar en diversos formats com TensorFlow SavedModel, TensorFlow Lite o fins i tot un format personalitzat.
Ara, per què és necessari especificar una font d'un model exportat quan es crea una versió a CMLE? El motiu rau en el flux de treball de CMLE i la necessitat de proporcionar els recursos necessaris per donar servei al model. Quan es crea una versió, CMLE ha de saber on es troba el model exportat perquè es pugui desplegar i posar-lo a disposició per a la predicció.
En especificar l'origen del model exportat, CMLE pot recuperar el model de manera eficient i carregar-lo a la infraestructura de servei. Això permet que el model estigui preparat per a les sol·licituds de predicció dels clients. Sense especificar la font, CMLE no sabria on trobar el model i no podria servir prediccions.
A més, especificar l'origen del model exportat permet a CMLE gestionar la versió de manera eficaç. En l'aprenentatge automàtic, és habitual entrenar i iterar sobre models, millorant-los amb el temps. CMLE us permet crear diverses versions d'un model, cadascuna representant una iteració o millora diferent. En especificar l'origen del model exportat, CMLE pot fer un seguiment d'aquestes versions i assegurar-se que es publica el model correcte per a cada sol·licitud de predicció.
Per il·lustrar-ho, considereu un escenari en què un enginyer d'aprenentatge automàtic entrena un model mitjançant TensorFlow i l'exporta com a SavedModel. A continuació, l'enginyer utilitza CMLE per crear una versió del model, especificant la font com a fitxer SavedModel exportat. CMLE desplega el model i el posa a disposició per a la predicció. Ara, si més tard l'enginyer entrena una versió millorada del model i l'exporta com a nou SavedModel, pot crear una altra versió a CMLE, especificant el nou model exportat com a font. Això permet a CMLE gestionar ambdues versions per separat i servir el model adequat en funció de la versió especificada a les sol·licituds de predicció.
Quan s'utilitza CMLE per crear una versió, és necessari especificar una font d'un model exportat per proporcionar els recursos necessaris per servir el model, permetre una recuperació i càrrega eficients del model i donar suport a la versió dels models.
Altres preguntes i respostes recents sobre Avançar en l'aprenentatge automàtic:
- Quan un nucli es bifurca amb dades i l'original és privat, el bifurcat pot ser públic i, si és així, no és una violació de la privadesa?
- Quines són les limitacions de treballar amb grans conjunts de dades en l'aprenentatge automàtic?
- L'aprenentatge automàtic pot fer una mica d'ajuda dialògica?
- Què és el pati TensorFlow?
- El mode eager impedeix la funcionalitat de computació distribuïda de TensorFlow?
- Es poden utilitzar les solucions al núvol de Google per desacoblar la informàtica de l'emmagatzematge per a una formació més eficient del model ML amb big data?
- El motor d'aprenentatge automàtic de Google Cloud (CMLE) ofereix l'adquisició i configuració automàtica de recursos i gestiona l'aturada dels recursos un cop finalitzada la formació del model?
- És possible entrenar models d'aprenentatge automàtic en conjunts de dades arbitràriament grans sense cap problema?
- Pot CMLE llegir dades d'emmagatzematge de Google Cloud i utilitzar un model entrenat específic per a la inferència?
- Es pot utilitzar Tensorflow per a l'entrenament i la inferència de xarxes neuronals profundes (DNN)?
Vegeu més preguntes i respostes a Avançar en l'aprenentatge automàtic