Kiam vi uzas CMLE (Cloud Machine Learning Engine) por krei version, necesas specifi fonton de eksportita modelo. Ĉi tiu postulo estas grava pro pluraj kialoj, kiuj estos detale klarigitaj en ĉi tiu respondo.
Unue, ni komprenu, kion signifas "ekportita modelo". En la kunteksto de CMLE, eksportita modelo rilatas al edukita maŝinlernadmodelo kiu estis konservita aŭ eksportita en formato kiu povas esti uzita por prognozo. Ĉi tiu eksportita modelo povas esti stokita en diversaj formatoj kiel TensorFlow SavedModel, TensorFlow Lite, aŭ eĉ laŭmenda formato.
Nun, kial necesas specifi fonton de eksportita modelo dum kreado de versio en CMLE? La kialo kuŝas en la laborfluo de CMLE kaj la bezono provizi la necesajn rimedojn por servi la modelon. Dum kreado de versio, CMLE devas scii kie la eksportita modelo situas tiel ke ĝi povas esti deplojita kaj disponigita por prognozo.
Precizante la fonton de la eksportita modelo, CMLE povas efike preni la modelon kaj ŝarĝi ĝin en la servantan infrastrukturon. Ĉi tio permesas al la modelo esti preta por prognozaj petoj de klientoj. Sen specifi la fonton, CMLE ne scius kie trovi la modelon kaj ne povus servi prognozojn.
Plie, specifi la fonton de la eksportita modelo ebligas CMLE pritrakti versioning efike. En maŝinlernado, estas ofte trejni kaj ripetadi sur modeloj, plibonigante ilin laŭlonge de la tempo. CMLE permesas krei plurajn versiojn de modelo, ĉiu reprezentante malsaman ripeton aŭ plibonigon. Specifante la fonton de la eksportita modelo, CMLE povas konservi trakon de ĉi tiuj versioj kaj certigi ke la ĝusta modelo estas servita por ĉiu prognoza peto.
Por ilustri ĉi tion, konsideru scenaron kie maŝinlernanta inĝeniero trejnas modelon uzante TensorFlow kaj eksportas ĝin kiel SavedModel. La inĝeniero tiam uzas CMLE por krei version de la modelo, precizigante la fonton kiel la eksportitan SavedModel-dosieron. CMLE deplojas la modelon kaj disponigas ĝin por prognozo. Nun, se la inĝeniero poste trejnas plibonigitan version de la modelo kaj eksportas ĝin kiel novan SavedModel, ili povas krei alian version en CMLE, precizigante la novan eksportitan modelon kiel la fonton. Tio permesas al CMLE administri ambaŭ versiojn aparte kaj servi la konvenan modelon bazitan sur la versio precizigita en prognozpetoj.
Dum uzado de CMLE por krei version, specifi fonton de eksportita modelo estas necesa por disponigi la necesajn resursojn por servado de la modelo, ebligi efikan rehavigon kaj ŝarĝadon de la modelo, kaj subteni versionadon de modeloj.
Aliaj lastatempaj demandoj kaj respondoj pri Progresante en Maŝinlernado:
- Kio estas la limigoj por labori kun grandaj datumaroj en maŝina lernado?
- Ĉu maŝinlernado povas fari iun dialogan helpon?
- Kio estas la ludejo TensorFlow?
- Ĉu avida reĝimo malhelpas la distribuitan komputikan funkcion de TensorFlow?
- Ĉu Google-nubaj solvoj povas esti uzataj por malkunligi komputadon de stokado por pli efika trejnado de la ML-modelo kun grandaj datumoj?
- Ĉu la Google Cloud Machine Learning Engine (CMLE) ofertas aŭtomatan akiron kaj agordon de rimedo kaj pritraktas rimedan ĉesigon post kiam la trejnado de la modelo estas finita?
- Ĉu eblas trejni maŝinlernajn modelojn sur arbitre grandaj datumaj aroj sen singultoj?
- Ĉu CMLE povas legi el datumoj de stokado de Google Cloud kaj uzi specifitan trejnitan modelon por konkludo?
- Ĉu Tensorflow povas esti uzata por trejnado kaj inferenco de profundaj neŭralaj retoj (DNN)?
- Kio estas la algoritmo de Gradient Boosting?
Rigardu pliajn demandojn kaj respondojn en Antaŭenigo en Maŝina Lernado