Khi sử dụng CMLE (Cloud Machine Learning Engine) để tạo phiên bản, cần chỉ định nguồn của mô hình được xuất. Yêu cầu này rất quan trọng vì nhiều lý do, sẽ được giải thích chi tiết trong câu trả lời này.
Đầu tiên, chúng ta hãy hiểu "mô hình xuất khẩu" nghĩa là gì. Trong ngữ cảnh CMLE, mô hình được xuất đề cập đến mô hình học máy được đào tạo đã được lưu hoặc xuất ở định dạng có thể được sử dụng để dự đoán. Mô hình đã xuất này có thể được lưu trữ ở nhiều định dạng khác nhau như TensorFlow SavingModel, TensorFlow Lite hoặc thậm chí là định dạng tùy chỉnh.
Bây giờ, tại sao cần chỉ định nguồn của mô hình đã xuất khi tạo phiên bản trong CMLE? Nguyên nhân nằm ở quy trình làm việc của CMLE và nhu cầu cung cấp các nguồn lực cần thiết để phục vụ mô hình. Khi tạo phiên bản, CMLE cần biết vị trí của mô hình đã xuất để có thể triển khai và cung cấp cho dự đoán.
Bằng cách chỉ định nguồn của mô hình đã xuất, CMLE có thể truy xuất mô hình một cách hiệu quả và tải nó vào cơ sở hạ tầng phục vụ. Điều này cho phép mô hình sẵn sàng đáp ứng các yêu cầu dự đoán từ khách hàng. Nếu không chỉ định nguồn, CMLE sẽ không biết tìm mô hình ở đâu và sẽ không thể đưa ra dự đoán.
Ngoài ra, việc chỉ định nguồn của mô hình đã xuất sẽ cho phép CMLE xử lý việc lập phiên bản một cách hiệu quả. Trong học máy, người ta thường đào tạo và lặp lại các mô hình, cải thiện chúng theo thời gian. CMLE cho phép bạn tạo nhiều phiên bản của một mô hình, mỗi phiên bản đại diện cho một lần lặp lại hoặc cải tiến khác nhau. Bằng cách chỉ định nguồn của mô hình đã xuất, CMLE có thể theo dõi các phiên bản này và đảm bảo rằng mô hình chính xác được cung cấp cho từng yêu cầu dự đoán.
Để minh họa điều này, hãy xem xét một tình huống trong đó một kỹ sư máy học đào tạo một mô hình bằng cách sử dụng TensorFlow và xuất mô hình đó dưới dạng SavingModel. Sau đó, kỹ sư sử dụng CMLE để tạo một phiên bản của mô hình, chỉ định nguồn là tệp SavingModel đã xuất. CMLE triển khai mô hình và cung cấp mô hình để dự đoán. Bây giờ, nếu sau này kỹ sư đào tạo một phiên bản cải tiến của mô hình và xuất nó dưới dạng SavingModel mới, thì họ có thể tạo một phiên bản khác trong CMLE, chỉ định mô hình được xuất mới làm nguồn. Điều này cho phép CMLE quản lý riêng cả hai phiên bản và cung cấp mô hình phù hợp dựa trên phiên bản được chỉ định trong yêu cầu dự đoán.
Khi sử dụng CMLE để tạo phiên bản, việc chỉ định nguồn của mô hình đã xuất là cần thiết để cung cấp các tài nguyên cần thiết để phục vụ mô hình, cho phép truy xuất và tải mô hình hiệu quả cũng như hỗ trợ tạo phiên bản cho mô hình.
Các câu hỏi và câu trả lời gần đây khác liên quan đến Tiến bộ trong Học máy:
- Những hạn chế khi làm việc với các tập dữ liệu lớn trong học máy là gì?
- Máy học có thể thực hiện một số hỗ trợ đối thoại không?
- Sân chơi TensorFlow là gì?
- Chế độ háo hức có ngăn cản chức năng tính toán phân tán của TensorFlow không?
- Các giải pháp đám mây của Google có thể được sử dụng để tách điện toán khỏi bộ lưu trữ để đào tạo mô hình ML với dữ liệu lớn hiệu quả hơn không?
- Google Cloud Machine Learning Engine (CMLE) có cung cấp cấu hình và thu thập tài nguyên tự động cũng như xử lý việc tắt tài nguyên sau khi quá trình đào tạo mô hình kết thúc không?
- Có thể huấn luyện các mô hình học máy trên các tập dữ liệu lớn tùy ý mà không gặp trục trặc không?
- CMLE có thể đọc từ dữ liệu lưu trữ Google Cloud và sử dụng mô hình được đào tạo cụ thể để suy luận không?
- Tensorflow có thể được sử dụng để đào tạo và suy luận về mạng lưới thần kinh sâu (DNN) không?
- Thuật toán Tăng cường Độ dốc là gì?
Xem thêm câu hỏi và câu trả lời trong Nâng cao trong Học máy
Thêm câu hỏi và câu trả lời:
- Cánh đồng: Trí tuệ nhân tạo
- chương trình: EITC/AI/GCML Google Cloud Machine Learning (đi đến chương trình chứng nhận)
- Bài học: Tiến bộ trong Học máy (đến bài học liên quan)
- Chủ đề: GCP BigQuery và tập dữ liệu mở (đi đến chủ đề liên quan)