هنگام استفاده از CMLE (موتور یادگیری ماشین ابری) برای ایجاد یک نسخه، لازم است منبع یک مدل صادر شده را مشخص کنید. این الزام به دلایل متعددی حائز اهمیت است که در این پاسخ به تفصیل توضیح داده خواهد شد.
ابتدا بیایید بفهمیم که منظور از "مدل صادراتی" چیست. در زمینه CMLE، یک مدل صادراتی به یک مدل یادگیری ماشین آموزش دیده اشاره دارد که در قالبی ذخیره یا صادر شده است که می تواند برای پیش بینی استفاده شود. این مدل صادر شده را می توان در فرمت های مختلفی مانند TensorFlow SavedModel، TensorFlow Lite یا حتی یک فرمت سفارشی ذخیره کرد.
حال، چرا هنگام ایجاد نسخه در CMLE، باید منبع یک مدل صادراتی را مشخص کرد؟ دلیل آن در گردش کار CMLE و نیاز به تامین منابع لازم برای ارائه مدل نهفته است. هنگام ایجاد یک نسخه، CMLE باید بداند مدل صادر شده در کجا قرار دارد تا بتوان آن را مستقر کرد و برای پیش بینی در دسترس قرار داد.
با مشخص کردن منبع مدل صادر شده، CMLE می تواند به طور موثر مدل را بازیابی کرده و آن را در زیرساخت سرویس بارگذاری کند. این به مدل اجازه می دهد تا برای درخواست های پیش بینی مشتریان آماده باشد. بدون مشخص کردن منبع، CMLE نمیداند مدل را کجا پیدا کند و نمیتواند پیشبینیها را ارائه کند.
علاوه بر این، مشخص کردن منبع مدل صادر شده، CMLE را قادر میسازد تا نسخهسازی را به طور موثر مدیریت کند. در یادگیری ماشینی، آموزش و تکرار بر روی مدلها و بهبود آنها در طول زمان معمول است. CMLE به شما امکان می دهد چندین نسخه از یک مدل را ایجاد کنید که هر کدام بیانگر تکرار یا بهبود متفاوتی هستند. با مشخص کردن منبع مدل صادر شده، CMLE می تواند این نسخه ها را پیگیری کند و اطمینان حاصل کند که مدل صحیح برای هر درخواست پیش بینی ارائه می شود.
برای نشان دادن این موضوع، سناریویی را در نظر بگیرید که در آن یک مهندس یادگیری ماشین مدلی را با استفاده از TensorFlow آموزش میدهد و آن را به عنوان SavedModel صادر میکند. سپس مهندس از CMLE برای ایجاد نسخه ای از مدل استفاده می کند و منبع را به عنوان فایل SavedModel صادر شده مشخص می کند. CMLE مدل را مستقر می کند و آن را برای پیش بینی در دسترس قرار می دهد. حال، اگر مهندس بعداً یک نسخه بهبود یافته از مدل را آموزش دهد و آن را به عنوان SavedModel جدید صادر کند، میتواند نسخه دیگری را در CMLE ایجاد کند و مدل صادراتی جدید را به عنوان منبع مشخص کند. این به CMLE اجازه می دهد تا هر دو نسخه را جداگانه مدیریت کند و مدل مناسب را بر اساس نسخه مشخص شده در درخواست های پیش بینی ارائه دهد.
هنگام استفاده از CMLE برای ایجاد یک نسخه، مشخص کردن منبع یک مدل صادر شده برای ارائه منابع لازم برای ارائه مدل، امکان بازیابی و بارگذاری کارآمد مدل و پشتیبانی از نسخهسازی مدلها ضروری است.
سایر پرسش ها و پاسخ های اخیر در مورد پیشرفت در یادگیری ماشین:
- محدودیت های کار با مجموعه داده های بزرگ در یادگیری ماشین چیست؟
- آیا یادگیری ماشینی می تواند کمک محاوره ای انجام دهد؟
- زمین بازی تنسورفلو چیست؟
- آیا حالت مشتاق از عملکرد محاسباتی توزیع شده TensorFlow جلوگیری می کند؟
- آیا می توان از راه حل های ابری Google برای جدا کردن محاسبات از فضای ذخیره سازی برای آموزش کارآمدتر مدل ML با داده های بزرگ استفاده کرد؟
- آیا Google Cloud Machine Learning Engine (CMLE) جمعآوری و پیکربندی خودکار منابع را ارائه میدهد و پس از پایان آموزش مدل، خاموش شدن منابع را مدیریت میکند؟
- آیا می توان مدل های یادگیری ماشین را در مجموعه داده های خودسرانه بزرگ و بدون سکسکه آموزش داد؟
- آیا CMLE میتواند دادههای ذخیرهسازی Google Cloud را بخواند و از یک مدل آموزشدیده مشخص برای استنتاج استفاده کند؟
- آیا می توان از Tensorflow برای آموزش و استنتاج شبکه های عصبی عمیق (DNN) استفاده کرد؟
- الگوریتم تقویت گرادیان چیست؟
سوالات و پاسخ های بیشتری را در پیشرفت در یادگیری ماشین مشاهده کنید