При использовании CMLE требует ли создание версии указания источника экспортируемой модели?
При использовании CMLE (Cloud Machine Learning Engine) для создания версии необходимо указать источник экспортируемой модели. Это требование важно по нескольким причинам, которые будут подробно объяснены в этом ответе.
Во-первых, давайте разберемся, что подразумевается под «экспортированной моделью». В контексте CMLE экспортированная модель относится к обученной модели машинного обучения, которая была сохранена или экспортирована в формате, который можно использовать для прогнозирования. Эта экспортированная модель может быть сохранена в различных форматах, таких как TensorFlow SavedModel, TensorFlow Lite или даже в пользовательском формате.
Теперь почему необходимо указывать источник экспортируемой модели при создании версии в CMLE? Причина кроется в рабочем процессе CMLE и необходимости предоставить необходимые ресурсы для обслуживания модели. При создании версии CMLE необходимо знать, где находится экспортированная модель, чтобы ее можно было развернуть и сделать доступной для прогнозирования.
Указав источник экспортируемой модели, CMLE может эффективно получить модель и загрузить ее в обслуживающую инфраструктуру. Это позволяет модели быть готовой к запросам прогнозирования от клиентов. Без указания источника CMLE не будет знать, где найти модель, и не сможет предоставлять прогнозы.
Кроме того, указание источника экспортируемой модели позволяет CMLE эффективно управлять версиями. В машинном обучении принято обучать модели и повторять их, улучшая их с течением времени. CMLE позволяет создавать несколько версий модели, каждая из которых представляет собой отдельную итерацию или улучшение. Указав источник экспортируемой модели, CMLE может отслеживать эти версии и гарантировать, что для каждого запроса прогнозирования будет использоваться правильная модель.
Чтобы проиллюстрировать это, рассмотрим сценарий, в котором инженер по машинному обучению обучает модель с помощью TensorFlow и экспортирует ее как SavedModel. Затем инженер использует CMLE для создания версии модели, указав источник в качестве экспортированного файла SavedModel. CMLE развертывает модель и делает ее доступной для прогнозирования. Теперь, если позже инженер обучит улучшенную версию модели и экспортирует ее как новую сохраненную модель, он сможет создать еще одну версию в CMLE, указав новую экспортированную модель в качестве источника. Это позволяет CMLE управлять обеими версиями отдельно и обслуживать соответствующую модель на основе версии, указанной в запросах прогнозирования.
При использовании CMLE для создания версии необходимо указать источник экспортированной модели, чтобы предоставить необходимые ресурсы для обслуживания модели, обеспечить эффективный поиск и загрузку модели, а также поддерживать управление версиями моделей.
Другие недавние вопросы и ответы, касающиеся Развитие машинного обучения:
- Если ядро разветвляется с данными, а оригинал является закрытым, может ли разветвленная версия быть общедоступной, и если да, не является ли это нарушением конфиденциальности?
- Каковы ограничения при работе с большими наборами данных в машинном обучении?
- Может ли машинное обучение оказать некоторую диалогическую помощь?
- Что такое игровая площадка TensorFlow?
- Препятствует ли режим нетерпеливости функциям распределенных вычислений TensorFlow?
- Можно ли использовать облачные решения Google для отделения вычислений от хранилища для более эффективного обучения модели машинного обучения на больших данных?
- Предлагает ли Google Cloud Machine Learning Engine (CMLE) автоматическое получение и настройку ресурсов, а также обеспечивает отключение ресурсов после завершения обучения модели?
- Можно ли без проблем обучать модели машинного обучения на произвольно больших наборах данных?
- Может ли CMLE считывать данные из хранилища Google Cloud и использовать указанную обученную модель для вывода?
- Можно ли использовать Tensorflow для обучения и вывода глубоких нейронных сетей (DNN)?
Посмотреть больше вопросов и ответов в Продвижение в машинном обучении