Kapag gumagamit ng CMLE (Cloud Machine Learning Engine) upang lumikha ng isang bersyon, kinakailangang tumukoy ng pinagmulan ng isang na-export na modelo. Ang pangangailangang ito ay mahalaga sa ilang kadahilanan, na ipapaliwanag nang detalyado sa sagot na ito.
Una, unawain natin kung ano ang ibig sabihin ng "export na modelo." Sa konteksto ng CMLE, ang isang na-export na modelo ay tumutukoy sa isang sinanay na modelo ng machine learning na na-save o na-export sa isang format na magagamit para sa hula. Maaaring iimbak ang na-export na modelong ito sa iba't ibang mga format gaya ng TensorFlow SavedModel, TensorFlow Lite, o kahit isang custom na format.
Ngayon, bakit kailangang tumukoy ng pinagmulan ng isang na-export na modelo kapag gumagawa ng bersyon sa CMLE? Ang dahilan ay nakasalalay sa daloy ng trabaho ng CMLE at ang pangangailangang magbigay ng mga kinakailangang mapagkukunan para sa paghahatid ng modelo. Kapag gumagawa ng bersyon, kailangang malaman ng CMLE kung saan matatagpuan ang na-export na modelo upang ito ay ma-deploy at maging available para sa hula.
Sa pamamagitan ng pagtukoy sa pinagmulan ng na-export na modelo, mahusay na makukuha ng CMLE ang modelo at mai-load ito sa imprastraktura ng paghahatid. Nagbibigay-daan ito sa modelo na maging handa para sa mga kahilingan sa paghula mula sa mga kliyente. Nang hindi tinukoy ang pinagmulan, hindi malalaman ng CMLE kung saan hahanapin ang modelo at hindi makakapaghatid ng mga hula.
Bukod pa rito, ang pagtukoy sa pinagmulan ng na-export na modelo ay nagbibigay-daan sa CMLE na pangasiwaan ang pag-bersyon nang epektibo. Sa machine learning, karaniwan nang magsanay at umulit sa mga modelo, na nagpapahusay sa mga ito sa paglipas ng panahon. Binibigyang-daan ka ng CMLE na lumikha ng maraming bersyon ng isang modelo, bawat isa ay kumakatawan sa ibang pag-ulit o pagpapabuti. Sa pamamagitan ng pagtukoy sa pinagmulan ng na-export na modelo, masusubaybayan ng CMLE ang mga bersyong ito at matiyak na ihahatid ang tamang modelo para sa bawat kahilingan sa paghula.
Upang ilarawan ito, isaalang-alang ang isang senaryo kung saan sinasanay ng isang machine learning engineer ang isang modelo gamit ang TensorFlow at ine-export ito bilang SavedModel. Pagkatapos, ginagamit ng engineer ang CMLE para gumawa ng bersyon ng modelo, na tinutukoy ang pinagmulan bilang na-export na SavedModel file. Inilalagay ng CMLE ang modelo at ginagawa itong available para sa hula. Ngayon, kung magsasanay ang engineer sa ibang pagkakataon ng pinahusay na bersyon ng modelo at i-export ito bilang bagong SavedModel, maaari silang gumawa ng isa pang bersyon sa CMLE, na tumutukoy sa bagong na-export na modelo bilang pinagmulan. Nagbibigay-daan ito sa CMLE na pamahalaan ang dalawang bersyon nang hiwalay at ihatid ang naaangkop na modelo batay sa bersyon na tinukoy sa mga kahilingan sa paghula.
Kapag gumagamit ng CMLE upang lumikha ng isang bersyon, ang pagtukoy ng pinagmulan ng isang na-export na modelo ay kinakailangan upang maibigay ang mga kinakailangang mapagkukunan para sa paghahatid ng modelo, paganahin ang mahusay na pagkuha at pag-load ng modelo, at suportahan ang bersyon ng mga modelo.
Iba pang kamakailang mga tanong at sagot tungkol sa Pagsulong sa Pag-aaral ng Makina:
- Ano ang mga limitasyon sa pagtatrabaho sa malalaking dataset sa machine learning?
- Magagawa ba ng machine learning ang ilang dialogic na tulong?
- Ano ang TensorFlow playground?
- Pinipigilan ba ng eager mode ang distributed computing functionality ng TensorFlow?
- Magagamit ba ang mga solusyon sa cloud ng Google upang i-decouple ang pag-compute mula sa storage para sa mas mahusay na pagsasanay ng modelong ML na may malaking data?
- Nag-aalok ba ang Google Cloud Machine Learning Engine (CMLE) ng awtomatikong pagkuha at pagsasaayos ng mapagkukunan at pinangangasiwaan ang pagsasara ng mapagkukunan pagkatapos ng pagsasanay ng modelo?
- Posible bang sanayin ang mga modelo ng pag-aaral ng makina sa mga arbitraryong malalaking set ng data nang walang mga hiccups?
- Maaari bang magbasa ang CMLE mula sa data ng storage ng Google Cloud at gumamit ng isang tinukoy na sinanay na modelo para sa hinuha?
- Magagamit ba ang Tensorflow para sa pagsasanay at pag-iinference ng mga deep neural network (DNNs)?
- Ano ang Gradient Boosting algorithm?
Tingnan ang higit pang mga tanong at sagot sa Pagsulong sa Machine Learning