Wenn Sie CMLE (Cloud Machine Learning Engine) zum Erstellen einer Version verwenden, ist es notwendig, eine Quelle eines exportierten Modells anzugeben. Diese Anforderung ist aus mehreren Gründen wichtig, die in dieser Antwort ausführlich erläutert werden.
Lassen Sie uns zunächst verstehen, was mit „exportiertes Modell“ gemeint ist. Im Kontext von CMLE bezieht sich ein exportiertes Modell auf ein trainiertes maschinelles Lernmodell, das in einem Format gespeichert oder exportiert wurde, das für Vorhersagen verwendet werden kann. Dieses exportierte Modell kann in verschiedenen Formaten wie TensorFlow SavedModel, TensorFlow Lite oder sogar einem benutzerdefinierten Format gespeichert werden.
Warum ist es nun notwendig, beim Erstellen einer Version in CMLE eine Quelle eines exportierten Modells anzugeben? Der Grund liegt im Arbeitsablauf von CMLE und der Notwendigkeit, die notwendigen Ressourcen für die Bereitstellung des Modells bereitzustellen. Beim Erstellen einer Version muss CMLE wissen, wo sich das exportierte Modell befindet, damit es bereitgestellt und für die Vorhersage verfügbar gemacht werden kann.
Durch die Angabe der Quelle des exportierten Modells kann CMLE das Modell effizient abrufen und in die bereitstellende Infrastruktur laden. Dadurch ist das Modell für Vorhersageanfragen von Kunden bereit. Ohne Angabe der Quelle wüsste CMLE nicht, wo sich das Modell befindet, und wäre nicht in der Lage, Vorhersagen zu treffen.
Darüber hinaus ermöglicht die Angabe der Quelle des exportierten Modells, dass CMLE die Versionierung effektiv handhaben kann. Beim maschinellen Lernen ist es üblich, Modelle zu trainieren und zu iterieren, um sie im Laufe der Zeit zu verbessern. Mit CMLE können Sie mehrere Versionen eines Modells erstellen, die jeweils eine andere Iteration oder Verbesserung darstellen. Durch die Angabe der Quelle des exportierten Modells kann CMLE diese Versionen verfolgen und sicherstellen, dass für jede Vorhersageanfrage das richtige Modell bereitgestellt wird.
Um dies zu veranschaulichen, stellen Sie sich ein Szenario vor, in dem ein Ingenieur für maschinelles Lernen ein Modell mit TensorFlow trainiert und es als SavedModel exportiert. Anschließend erstellt der Ingenieur mithilfe von CMLE eine Version des Modells und gibt als Quelle die exportierte SavedModel-Datei an. CMLE stellt das Modell bereit und stellt es für die Vorhersage zur Verfügung. Wenn der Ingenieur nun später eine verbesserte Version des Modells trainiert und diese als neues SavedModel exportiert, kann er eine weitere Version in CMLE erstellen und dabei das neue exportierte Modell als Quelle angeben. Dadurch kann CMLE beide Versionen separat verwalten und das entsprechende Modell basierend auf der in Vorhersageanfragen angegebenen Version bereitstellen.
Wenn Sie CMLE zum Erstellen einer Version verwenden, ist die Angabe einer Quelle eines exportierten Modells erforderlich, um die erforderlichen Ressourcen für die Bereitstellung des Modells bereitzustellen, ein effizientes Abrufen und Laden des Modells zu ermöglichen und die Versionierung von Modellen zu unterstützen.
Weitere aktuelle Fragen und Antworten zu Fortschritte im maschinellen Lernen:
- Welche Einschränkungen gibt es bei der Arbeit mit großen Datensätzen beim maschinellen Lernen?
- Kann maschinelles Lernen eine dialogische Unterstützung leisten?
- Was ist der TensorFlow-Spielplatz?
- Verhindert der Eager-Modus die verteilte Rechenfunktionalität von TensorFlow?
- Können Google-Cloud-Lösungen verwendet werden, um die Datenverarbeitung vom Speicher zu entkoppeln und so das ML-Modell mit Big Data effizienter zu trainieren?
- Bietet die Google Cloud Machine Learning Engine (CMLE) eine automatische Ressourcenerfassung und -konfiguration und verwaltet das Herunterfahren von Ressourcen nach Abschluss des Modelltrainings?
- Ist es möglich, Modelle für maschinelles Lernen auf beliebig großen Datensätzen ohne Probleme zu trainieren?
- Kann CMLE aus Google Cloud-Speicherdaten lesen und ein bestimmtes trainiertes Modell für Rückschlüsse verwenden?
- Kann Tensorflow zum Training und zur Inferenz von tiefen neuronalen Netzen (DNNs) verwendet werden?
- Was ist der Gradient Boosting-Algorithmus?
Weitere Fragen und Antworten finden Sie unter „Advancing in Machine Learning“.