När du använder CMLE (Cloud Machine Learning Engine) för att skapa en version är det nödvändigt att ange en källa för en exporterad modell. Detta krav är viktigt av flera skäl, som kommer att förklaras i detalj i detta svar.
För det första, låt oss förstå vad som menas med "exporterad modell." I CMLE-sammanhang avser en exporterad modell en utbildad maskininlärningsmodell som har sparats eller exporterats i ett format som kan användas för förutsägelse. Denna exporterade modell kan lagras i olika format som TensorFlow SavedModel, TensorFlow Lite eller till och med ett anpassat format.
Nu, varför är det nödvändigt att ange en källa för en exporterad modell när du skapar en version i CMLE? Anledningen ligger i CMLEs arbetsflöde och behovet av att tillhandahålla de nödvändiga resurserna för att betjäna modellen. När du skapar en version måste CMLE veta var den exporterade modellen finns så att den kan distribueras och göras tillgänglig för förutsägelse.
Genom att ange källan till den exporterade modellen kan CMLE effektivt hämta modellen och ladda den i serveringsinfrastrukturen. Detta gör att modellen kan vara redo för prediktionsförfrågningar från kunder. Utan att specificera källan, skulle CMLE inte veta var man kan hitta modellen och skulle inte kunna tjäna förutsägelser.
Genom att specificera källan för den exporterade modellen kan CMLE dessutom hantera versionshantering effektivt. Inom maskininlärning är det vanligt att man tränar och itererar på modeller och förbättrar dem med tiden. CMLE låter dig skapa flera versioner av en modell, som var och en representerar olika iterationer eller förbättringar. Genom att ange källan till den exporterade modellen kan CMLE hålla reda på dessa versioner och säkerställa att rätt modell serveras för varje förutsägelseförfrågan.
För att illustrera detta, överväg ett scenario där en maskininlärningsingenjör tränar en modell med TensorFlow och exporterar den som en SavedModel. Ingenjören använder sedan CMLE för att skapa en version av modellen, och anger källan som den exporterade SavedModel-filen. CMLE distribuerar modellen och gör den tillgänglig för förutsägelse. Nu, om ingenjören senare tränar en förbättrad version av modellen och exporterar den som en ny SavedModel, kan de skapa en annan version i CMLE, och ange den nya exporterade modellen som källa. Detta gör det möjligt för CMLE att hantera båda versionerna separat och betjäna lämplig modell baserat på den version som specificeras i prediktionsförfrågningar.
När du använder CMLE för att skapa en version är det nödvändigt att ange en källa för en exporterad modell för att tillhandahålla de nödvändiga resurserna för att betjäna modellen, möjliggöra effektiv hämtning och laddning av modellen och stödja versionshantering av modeller.
Andra senaste frågor och svar ang Framsteg i maskininlärning:
- Vilka är begränsningarna i att arbeta med stora datamängder inom maskininlärning?
- Kan maskininlärning hjälpa till med dialog?
- Vad är TensorFlow-lekplatsen?
- Förhindrar ivrigt läge den distribuerade beräkningsfunktionen hos TensorFlow?
- Kan Googles molnlösningar användas för att frikoppla datoranvändning från lagring för en mer effektiv träning av ML-modellen med big data?
- Erbjuder Google Cloud Machine Learning Engine (CMLE) automatisk resursinhämtning och konfiguration och hanterar resursavstängning efter att utbildningen av modellen är klar?
- Är det möjligt att träna maskininlärningsmodeller på godtyckligt stora datamängder utan hicka?
- Kan CMLE läsa från Google Cloud-lagringsdata och använda en specificerad utbildad modell för slutledning?
- Kan Tensorflow användas för träning och slutledning av djupa neurala nätverk (DNN)?
- Vad är Gradient Boosting-algoritmen?
Se fler frågor och svar i Avancera i maskininlärning