Чи вимагає створення версії вказувати джерело експортованої моделі під час використання CMLE?
Використовуючи CMLE (Cloud Machine Learning Engine) для створення версії, необхідно вказати джерело експортованої моделі. Ця вимога важлива з кількох причин, які будуть детально пояснені в цій відповіді.
По-перше, давайте розберемося, що означає «експортована модель». У контексті CMLE експортована модель відноситься до навченої моделі машинного навчання, яку було збережено або експортовано у форматі, який можна використовувати для прогнозування. Цю експортовану модель можна зберігати в різних форматах, наприклад TensorFlow SavedModel, TensorFlow Lite або навіть у спеціальному форматі.
Чому необхідно вказувати джерело експортованої моделі під час створення версії в CMLE? Причина полягає в робочому процесі CMLE і необхідності забезпечити необхідні ресурси для обслуговування моделі. Під час створення версії CMLE має знати, де знаходиться експортована модель, щоб її можна було розгорнути та зробити доступною для прогнозування.
Вказавши джерело експортованої моделі, CMLE може ефективно отримати модель і завантажити її в інфраструктуру обслуговування. Це дозволяє моделі бути готовою до запитів прогнозування від клієнтів. Без вказівки джерела CMLE не знатиме, де знайти модель, і не зможе обслуговувати прогнози.
Крім того, вказівка джерела експортованої моделі дозволяє CMLE ефективно обробляти версії. У машинному навчанні прийнято навчати та повторювати моделі, покращуючи їх з часом. CMLE дозволяє створювати кілька версій моделі, кожна з яких представляє іншу ітерацію або вдосконалення. Вказавши джерело експортованої моделі, CMLE може відстежувати ці версії та гарантувати, що правильна модель обслуговується для кожного запиту передбачення.
Щоб проілюструвати це, розглянемо сценарій, коли інженер машинного навчання навчає модель за допомогою TensorFlow і експортує її як SavedModel. Потім інженер використовує CMLE для створення версії моделі, вказуючи джерело як експортований файл SavedModel. CMLE розгортає модель і робить її доступною для прогнозування. Тепер, якщо пізніше інженер навчить покращену версію моделі та експортує її як нову SavedModel, він може створити іншу версію в CMLE, вказавши нову експортовану модель як джерело. Це дозволяє CMLE керувати обома версіями окремо та обслуговувати відповідну модель на основі версії, зазначеної в запитах на передбачення.
Під час використання CMLE для створення версії необхідно вказати джерело експортованої моделі, щоб забезпечити необхідні ресурси для обслуговування моделі, уможливити ефективний пошук і завантаження моделі та підтримувати версії моделей.
Інші останні запитання та відповіді щодо Прогрес у машинному навчанні:
- Чи можна використовувати Kaggle для завантаження фінансових даних і виконання статистичного аналізу та прогнозування за допомогою економетричних моделей, таких як R-квадрат, ARIMA або GARCH?
- Коли ядро розгалужене з даними, а оригінал є приватним, чи може розгалужене ядро бути загальнодоступним, і якщо так, це не є порушенням конфіденційності?
- Які обмеження існують у роботі з великими наборами даних у машинному навчанні?
- Чи може машинне навчання надати певну діалогову допомогу?
- Що таке ігровий майданчик TensorFlow?
- Чи заважає режим eager функціональності розподіленого обчислення TensorFlow?
- Чи можна використовувати хмарні рішення Google для відокремлення обчислень від сховища для більш ефективного навчання моделі ML із великими даними?
- Чи пропонує Google Cloud Machine Learning Engine (CMLE) автоматичне отримання та конфігурацію ресурсів і вимикає ресурс після завершення навчання моделі?
- Чи можна навчити моделі машинного навчання на довільно великих наборах даних без збоїв?
- Чи може CMLE зчитувати дані з хмарного сховища Google і використовувати вказану навчену модель для висновків?
Більше запитань і відповідей див. у розділі Просування машинного навчання