Όταν χρησιμοποιείτε το CMLE (Cloud Machine Learning Engine) για τη δημιουργία μιας έκδοσης, είναι απαραίτητο να καθορίσετε μια πηγή ενός εξαγόμενου μοντέλου. Αυτή η απαίτηση είναι σημαντική για διάφορους λόγους, οι οποίοι θα εξηγηθούν λεπτομερώς σε αυτήν την απάντηση.
Αρχικά, ας καταλάβουμε τι σημαίνει "εξαγόμενο μοντέλο". Στο πλαίσιο του CMLE, ένα εξαγόμενο μοντέλο αναφέρεται σε ένα εκπαιδευμένο μοντέλο μηχανικής εκμάθησης που έχει αποθηκευτεί ή εξαχθεί σε μορφή που μπορεί να χρησιμοποιηθεί για πρόβλεψη. Αυτό το εξαγόμενο μοντέλο μπορεί να αποθηκευτεί σε διάφορες μορφές, όπως TensorFlow SavedModel, TensorFlow Lite ή ακόμα και σε προσαρμοσμένη μορφή.
Τώρα, γιατί είναι απαραίτητο να προσδιορίσετε μια πηγή ενός εξαγόμενου μοντέλου κατά τη δημιουργία μιας έκδοσης στο CMLE; Ο λόγος έγκειται στη ροή εργασιών του CMLE και στην ανάγκη παροχής των απαραίτητων πόρων για την εξυπηρέτηση του μοντέλου. Κατά τη δημιουργία μιας έκδοσης, το CMLE πρέπει να γνωρίζει πού βρίσκεται το εξαγόμενο μοντέλο, ώστε να μπορεί να αναπτυχθεί και να είναι διαθέσιμο για πρόβλεψη.
Καθορίζοντας την πηγή του εξαγόμενου μοντέλου, το CMLE μπορεί να ανακτήσει αποτελεσματικά το μοντέλο και να το φορτώσει στην υποδομή εξυπηρέτησης. Αυτό επιτρέπει στο μοντέλο να είναι έτοιμο για αιτήματα πρόβλεψης από πελάτες. Χωρίς να προσδιορίσει την πηγή, το CMLE δεν θα ήξερε πού να βρει το μοντέλο και δεν θα μπορούσε να εξυπηρετήσει προβλέψεις.
Επιπλέον, ο καθορισμός της πηγής του εξαγόμενου μοντέλου επιτρέπει στο CMLE να χειρίζεται αποτελεσματικά την έκδοση εκδόσεων. Στη μηχανική μάθηση, είναι σύνηθες να εκπαιδεύουμε και να επαναλαμβάνουμε μοντέλα, βελτιώνοντάς τα με την πάροδο του χρόνου. Το CMLE σάς επιτρέπει να δημιουργήσετε πολλές εκδόσεις ενός μοντέλου, καθεμία από τις οποίες αντιπροσωπεύει μια διαφορετική επανάληψη ή βελτίωση. Καθορίζοντας την πηγή του εξαγόμενου μοντέλου, το CMLE μπορεί να παρακολουθεί αυτές τις εκδόσεις και να διασφαλίζει ότι το σωστό μοντέλο εμφανίζεται για κάθε αίτημα πρόβλεψης.
Για να το δείξετε αυτό, εξετάστε ένα σενάριο όπου ένας μηχανικός μηχανικής εκμάθησης εκπαιδεύει ένα μοντέλο χρησιμοποιώντας το TensorFlow και το εξάγει ως SavedModel. Στη συνέχεια, ο μηχανικός χρησιμοποιεί το CMLE για να δημιουργήσει μια έκδοση του μοντέλου, προσδιορίζοντας την πηγή ως το εξαγόμενο αρχείο SavedModel. Το CMLE αναπτύσσει το μοντέλο και το καθιστά διαθέσιμο για πρόβλεψη. Τώρα, εάν ο μηχανικός εκπαιδεύσει αργότερα μια βελτιωμένη έκδοση του μοντέλου και την εξαγάγει ως νέο SavedModel, μπορεί να δημιουργήσει μια άλλη έκδοση στο CMLE, προσδιορίζοντας το νέο εξαγόμενο μοντέλο ως πηγή. Αυτό επιτρέπει στο CMLE να διαχειρίζεται και τις δύο εκδόσεις χωριστά και να εξυπηρετεί το κατάλληλο μοντέλο με βάση την έκδοση που καθορίζεται στα αιτήματα πρόβλεψης.
Όταν χρησιμοποιείτε το CMLE για τη δημιουργία μιας έκδοσης, ο καθορισμός μιας πηγής ενός εξαγόμενου μοντέλου είναι απαραίτητος για την παροχή των απαραίτητων πόρων για την εξυπηρέτηση του μοντέλου, την αποτελεσματική ανάκτηση και φόρτωση του μοντέλου και την υποστήριξη της έκδοσης των μοντέλων.
Άλλες πρόσφατες ερωτήσεις και απαντήσεις σχετικά με Πρόοδος στη Μηχανική Μάθηση:
- Ποιοι είναι οι περιορισμοί στην εργασία με μεγάλα σύνολα δεδομένων στη μηχανική εκμάθηση;
- Μπορεί η μηχανική μάθηση να προσφέρει κάποια διαλογική βοήθεια;
- Τι είναι η παιδική χαρά TensorFlow;
- Η λειτουργία Eager εμποδίζει την κατανεμημένη υπολογιστική λειτουργικότητα του TensorFlow;
- Μπορούν οι λύσεις cloud της Google να χρησιμοποιηθούν για την αποσύνδεση των υπολογιστών από τον χώρο αποθήκευσης για μια πιο αποτελεσματική εκπαίδευση του μοντέλου ML με μεγάλα δεδομένα;
- Το Google Cloud Machine Learning Engine (CMLE) προσφέρει αυτόματη απόκτηση και διαμόρφωση πόρων και χειρίζεται τον τερματισμό πόρων μετά την ολοκλήρωση της εκπαίδευσης του μοντέλου;
- Είναι δυνατόν να εκπαιδεύσουμε μοντέλα μηχανικής εκμάθησης σε αυθαίρετα μεγάλα σύνολα δεδομένων χωρίς λόξυγκα;
- Μπορεί το CMLE να διαβάσει δεδομένα αποθήκευσης από το Google Cloud και να χρησιμοποιήσει ένα καθορισμένο εκπαιδευμένο μοντέλο για συμπεράσματα;
- Μπορεί το Tensorflow να χρησιμοποιηθεί για εκπαίδευση και εξαγωγή συμπερασμάτων βαθιάς νευρωνικών δικτύων (DNN);
- Τι είναι ο αλγόριθμος Gradient Boosting;
Δείτε περισσότερες ερωτήσεις και απαντήσεις στο Advancing in Machine Learning