Ці патрабуе пры выкарыстанні CMLE стварэнне версіі ўказання крыніцы экспартаванай мадэлі?
Пры выкарыстанні CMLE (Cloud Machine Learning Engine) для стварэння версіі неабходна ўказаць крыніцу экспартаванай мадэлі. Гэта патрабаванне важна па некалькіх прычынах, якія будуць падрабязна растлумачаны ў гэтым адказе.
Па-першае, давайце разбярэмся, што маецца на ўвазе пад «экспартнай мадэллю». У кантэксце CMLE экспартаваная мадэль адносіцца да падрыхтаванай мадэлі машыннага навучання, якая была захавана або экспартавана ў фармаце, які можна выкарыстоўваць для прагназавання. Гэтую экспартаваную мадэль можна захоўваць у розных фарматах, такіх як TensorFlow SavedModel, TensorFlow Lite або нават у карыстальніцкім фармаце.
Чаму пры стварэнні версіі ў CMLE неабходна ўказваць крыніцу экспартаванай мадэлі? Прычына крыецца ў працоўным працэсе CMLE і неабходнасці забяспечыць неабходныя рэсурсы для абслугоўвання мадэлі. Пры стварэнні версіі CMLE павінен ведаць, дзе знаходзіцца экспартаваная мадэль, каб яе можна было разгарнуць і зрабіць даступнай для прагназавання.
Указаўшы крыніцу экспартаванай мадэлі, CMLE можа эфектыўна атрымаць мадэль і загрузіць яе ў абслугоўваючую інфраструктуру. Гэта дазваляе мадэлі быць гатовай да запытаў прагназавання ад кліентаў. Без указання крыніцы CMLE не будзе ведаць, дзе знайсці мадэль, і не зможа абслугоўваць прагнозы.
Акрамя таго, указанне крыніцы экспартаванай мадэлі дазваляе CMLE эфектыўна апрацоўваць кіраванне версіямі. У машынным навучанні звычайна трэніруюцца і ітэруюць мадэлі, паляпшаючы іх з часам. CMLE дазваляе ствараць некалькі версій мадэлі, кожная з якіх прадстаўляе іншую ітэрацыю або паляпшэнне. Указваючы крыніцу экспартаванай мадэлі, CMLE можа адсочваць гэтыя версіі і гарантаваць, што правільная мадэль абслугоўваецца для кожнага запыту прагназавання.
Каб праілюстраваць гэта, разгледзім сцэнар, калі інжынер машыннага навучання навучае мадэль з дапамогай TensorFlow і экспартуе яе як SavedModel. Затым інжынер выкарыстоўвае CMLE для стварэння версіі мадэлі, указваючы крыніцу ў якасці экспартаванага файла SavedModel. CMLE разгортвае мадэль і робіць яе даступнай для прагназавання. Цяпер, калі пазней інжынер навучае палепшаную версію мадэлі і экспартуе яе як новую SavedModel, ён можа стварыць іншую версію ў CMLE, указаўшы новую экспартаваную мадэль у якасці крыніцы. Гэта дазваляе CMLE кіраваць абедзвюма версіямі асобна і абслугоўваць адпаведную мадэль на аснове версіі, указанай у запытах прагназавання.
Пры выкарыстанні CMLE для стварэння версіі ўказанне крыніцы экспартаванай мадэлі неабходна для забеспячэння неабходных рэсурсаў для абслугоўвання мадэлі, забеспячэння эфектыўнага пошуку і загрузкі мадэлі і падтрымкі версій мадэляў.
Іншыя апошнія пытанні і адказы адносна Поспехі ў машынным навучанні:
- Ці можна выкарыстоўваць Kaggle для загрузкі фінансавых даных і правядзення статыстычнага аналізу і прагназавання з выкарыстаннем эканаметрычных мадэляў, такіх як R-квадрат, ARIMA або GARCH?
- Калі ядро разгалінавана з дадзенымі, а арыгінал з'яўляецца прыватным, ці можа разгалінаванае быць агульнадаступным, і калі так, не з'яўляецца парушэннем прыватнасці?
- Якія абмежаванні ёсць у працы з вялікімі наборамі даных у машынным навучанні?
- Ці можа машыннае навучанне аказаць некаторую дапамогу ў дыялогу?
- Што такое гульнявая пляцоўка TensorFlow?
- Ці перашкаджае рэжым Eager функцыянальнасці размеркаваных вылічэнняў TensorFlow?
- Ці можна выкарыстоўваць воблачныя рашэнні Google для аддзялення вылічэнняў ад сховішча для больш эфектыўнага навучання мадэлі ML з вялікімі дадзенымі?
- Ці забяспечвае Google Cloud Machine Learning Engine (CMLE) аўтаматычнае атрыманне і канфігурацыю рэсурсаў і апрацоўвае іх адключэнне пасля завяршэння навучання мадэлі?
- Ці можна навучыць мадэлі машыннага навучання на як заўгодна вялікіх наборах даных без збояў?
- Ці можа CMLE счытваць дадзеныя з воблачнага сховішча Google і выкарыстоўваць для вываду вызначаную падрыхтаваную мадэль?
Больш пытанняў і адказаў глядзіце ў раздзеле "Пашырэнне машыннага навучання".