Kada koristite CMLE (Cloud Machine Learning Engine) za kreiranje verzije, potrebno je navesti izvor izvezenog modela. Ovaj zahtjev je važan iz više razloga, koji će biti detaljno objašnjeni u ovom odgovoru.
Prvo, hajde da shvatimo šta se podrazumeva pod "izvezenim modelom". U kontekstu CMLE-a, izvezeni model se odnosi na obučeni model mašinskog učenja koji je sačuvan 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 prilikom kreiranja verzije u CMLE-u? Razlog leži u toku rada CMLE-a i potrebi da se obezbede neophodni resursi za opsluživanje modela. Prilikom kreiranja verzije, CMLE mora znati gdje se nalazi izvezeni model kako bi se mogao primijeniti i učiniti dostupnim za predviđanje.
Specificiranjem izvora izvezenog modela, CMLE može efikasno dohvatiti model i učitati ga u infrastrukturu za opsluživanje. Ovo omogućava modelu da bude spreman za zahtjeve klijenata za predviđanje. Bez navođenja izvora, CMLE ne bi znao gdje da pronađe model i ne bi mogao poslužiti predviđanjima.
Dodatno, navođenje izvora izvezenog modela omogućava CMLE-u da efikasno upravlja verzijom. U mašinskom učenju uobičajeno je trenirati i ponavljati modele, poboljšavajući ih tokom vremena. CMLE vam omogućava da kreirate više verzija modela, od kojih svaka predstavlja različitu iteraciju ili poboljšanje. Specificiranjem izvora izvezenog modela, CMLE može pratiti ove verzije i osigurati da se ispravan model poslužuje za svaki zahtjev za predviđanje.
Da biste to ilustrirali, razmotrite scenario u kojem inženjer mašinskog učenja trenira model koristeći TensorFlow i izvozi ga kao SavedModel. Inženjer zatim koristi CMLE za kreiranje verzije modela, navodeći izvor kao izvezenu datoteku SaveModel. CMLE implementira model i čini ga dostupnim za predviđanje. Sada, ako inženjer kasnije obuči poboljšanu verziju modela i izveze ga kao novi SavedModel, mogu kreirati drugu verziju u CMLE-u, navodeći novi izvezeni model kao izvor. Ovo omogućava CMLE-u da upravlja objema verzijama odvojeno i služi odgovarajući model na osnovu verzije navedene u zahtjevima za predviđanje.
Kada se koristi CMLE za kreiranje verzije, navođenje izvora izvezenog modela je neophodno kako bi se obezbijedili potrebni resursi za posluživanje modela, omogućilo efikasno preuzimanje i učitavanje modela i podržalo verzioniranje modela.
Ostala nedavna pitanja i odgovori u vezi Napredak u mašinskom učenju:
- Koja su ograničenja u radu s velikim skupovima podataka u mašinskom učenju?
- Može li mašinsko učenje pomoći u dijaloškom smislu?
- Šta je TensorFlow igralište?
- Da li eager mode sprječava funkcionalnost distribuiranog računanja TensorFlow-a?
- Mogu li se Google rješenja u oblaku koristiti za razdvajanje računarstva od skladišta za efikasniju obuku ML modela sa velikim podacima?
- Nudi li Google Cloud Machine Learning Engine (CMLE) automatsku akviziciju i konfiguraciju resursa i upravlja li gašenjem resursa nakon što se obuka modela završi?
- Da li je moguće trenirati modele mašinskog učenja na proizvoljno velikim skupovima podataka bez problema?
- Može li CMLE čitati iz Google Cloud podataka za pohranu i koristiti određeni obučeni model za zaključivanje?
- Može li se Tensorflow koristiti za obuku i zaključivanje dubokih neuronskih mreža (DNN)?
- Šta je algoritam za povećanje gradijenta?
Pogledajte više pitanja i odgovora u Napredak u mašinskom učenju