Moet bij het gebruik van CMLE voor het maken van een versie een bron van een geëxporteerd model worden opgegeven?
Wanneer u CMLE (Cloud Machine Learning Engine) gebruikt om een versie te maken, is het noodzakelijk om een bron van een geëxporteerd model op te geven. Deze vereiste is om verschillende redenen belangrijk, die in dit antwoord gedetailleerd zullen worden toegelicht.
Laten we eerst begrijpen wat er wordt bedoeld met 'geëxporteerd model'. In de context van CMLE verwijst een geëxporteerd model naar een getraind machine learning-model dat is opgeslagen of geëxporteerd in een indeling die kan worden gebruikt voor voorspellingen. Dit geëxporteerde model kan in verschillende formaten worden opgeslagen, zoals TensorFlow SavedModel, TensorFlow Lite of zelfs een aangepast formaat.
Waarom is het nu nodig om een bron van een geëxporteerd model op te geven bij het maken van een versie in CMLE? De reden ligt in de workflow van CMLE en de noodzaak om de nodige middelen ter beschikking te stellen om het model te bedienen. Bij het maken van een versie moet CMLE weten waar het geëxporteerde model zich bevindt, zodat het kan worden geïmplementeerd en beschikbaar kan worden gemaakt voor voorspelling.
Door de bron van het geëxporteerde model op te geven, kan CMLE het model efficiënt ophalen en in de ondersteunende infrastructuur laden. Hierdoor is het model gereed voor voorspellingsverzoeken van klanten. Zonder de bron te specificeren zou CMLE niet weten waar het model te vinden is en zou het geen voorspellingen kunnen doen.
Bovendien zorgt het opgeven van de bron van het geëxporteerde model ervoor dat CMLE het versiebeheer effectief kan afhandelen. Bij machinaal leren is het gebruikelijk om modellen te trainen en te herhalen, en deze in de loop van de tijd te verbeteren. Met CMLE kunt u meerdere versies van een model maken, die elk een andere iteratie of verbetering vertegenwoordigen. Door de bron van het geëxporteerde model op te geven, kan CMLE deze versies bijhouden en ervoor zorgen dat het juiste model wordt weergegeven voor elk voorspellingsverzoek.
Om dit te illustreren, overweeg een scenario waarin een machine learning-ingenieur een model traint met behulp van TensorFlow en dit exporteert als een SavedModel. De ingenieur gebruikt vervolgens CMLE om een versie van het model te maken, waarbij de bron wordt opgegeven als het geëxporteerde SavedModel-bestand. CMLE implementeert het model en maakt het beschikbaar voor voorspelling. Als de ingenieur nu later een verbeterde versie van het model traint en deze exporteert als een nieuw SavedModel, kan hij een andere versie in CMLE maken, waarbij hij het nieuwe geëxporteerde model als bron specificeert. Hierdoor kan CMLE beide versies afzonderlijk beheren en het juiste model aanbieden op basis van de versie die is opgegeven in voorspellingsverzoeken.
Wanneer CMLE wordt gebruikt om een versie te maken, is het opgeven van een bron van een geëxporteerd model noodzakelijk om de benodigde bronnen te bieden voor het bedienen van het model, het efficiënt ophalen en laden van het model mogelijk te maken en het versiebeheer van modellen te ondersteunen.
Andere recente vragen en antwoorden over Vooruitgang in machine learning:
- Is het mogelijk om Kaggle te gebruiken om financiële gegevens te uploaden en statistische analyses en prognoses uit te voeren met behulp van econometrische modellen zoals R-kwadraat, ARIMA of GARCH?
- Wanneer een kernel wordt geforkt met gegevens en het origineel privé is, kan de geforkte kernel dan openbaar zijn? En als dat zo is, is dat dan geen inbreuk op de privacy?
- Wat zijn de beperkingen bij het werken met grote datasets in machine learning?
- Kan machinaal leren enige dialogische hulp bieden?
- Wat is de TensorFlow-speeltuin?
- Voorkomt de enthousiaste modus de gedistribueerde computerfunctionaliteit van TensorFlow?
- Kunnen de cloudoplossingen van Google worden gebruikt om computergebruik los te koppelen van opslag, voor een efficiëntere training van het ML-model met big data?
- Biedt de Google Cloud Machine Learning Engine (CMLE) automatische acquisitie en configuratie van bronnen en wordt het afsluiten van bronnen afgehandeld nadat de training van het model is voltooid?
- Is het mogelijk om machine learning-modellen zonder haperingen te trainen op willekeurig grote datasets?
- Kan CMLE gegevens uit Google Cloud-opslag lezen en een gespecificeerd getraind model gebruiken voor gevolgtrekking?
Bekijk meer vragen en antwoorden in Vooruitgang in machine learning