Nalika nggunakake CMLE (Cloud Machine Learning Engine) kanggo nggawe versi, perlu kanggo nemtokake sumber model sing diekspor. Syarat iki penting amarga sawetara alasan, sing bakal diterangake kanthi rinci ing jawaban iki.
Kaping pisanan, ayo ngerti apa sing dimaksud "model sing diekspor." Ing konteks CMLE, model sing diekspor nuduhake model pembelajaran mesin sing dilatih sing wis disimpen utawa diekspor ing format sing bisa digunakake kanggo prediksi. Model sing diekspor iki bisa disimpen ing macem-macem format kayata TensorFlow SavedModel, TensorFlow Lite, utawa malah format khusus.
Saiki, kenapa kudu nemtokake sumber model sing diekspor nalika nggawe versi ing CMLE? Alesane dumunung ing alur kerja CMLE lan kudu nyedhiyakake sumber daya sing dibutuhake kanggo ngladeni model kasebut. Nalika nggawe versi, CMLE kudu ngerti lokasi model sing diekspor supaya bisa disebarake lan kasedhiya kanggo prediksi.
Kanthi nemtokake sumber model sing diekspor, CMLE bisa njupuk model kasebut kanthi efisien lan mbukak menyang infrastruktur layanan. Iki ngidini model siap kanggo panjalukan prediksi saka klien. Tanpa nemtokake sumber, CMLE ora bakal ngerti ngendi kanggo nemokake model lan ora bakal bisa kanggo ngawula prediksi.
Kajaba iku, nemtokake sumber model sing diekspor ngidini CMLE nangani versi kanthi efektif. Ing machine learning, iku umum kanggo latihan lan iterate ing model, nambah mau liwat wektu. CMLE ngidini sampeyan nggawe macem-macem versi model, saben makili pengulangan utawa perbaikan sing beda. Kanthi nemtokake sumber model sing diekspor, CMLE bisa nglacak versi kasebut lan mesthekake yen model sing bener diwenehake kanggo saben panyuwunan prediksi.
Kanggo ilustrasi iki, nimbang skenario ing ngendi insinyur machine learning nglatih model nggunakake TensorFlow lan ngekspor minangka SavedModel. Insinyur banjur nggunakake CMLE kanggo nggawe versi model, nemtokake sumber minangka file SavedModel sing diekspor. CMLE nyebarake model kasebut lan kasedhiya kanggo prediksi. Saiki, yen insinyur mengko nglatih versi model sing luwih apik lan ngekspor minangka SavedModel anyar, dheweke bisa nggawe versi liyane ing CMLE, nemtokake model sing diekspor anyar minangka sumber. Iki ngidini CMLE ngatur versi loro kasebut kanthi kapisah lan ngladeni model sing cocog adhedhasar versi sing ditemtokake ing panjalukan prediksi.
Nalika nggunakake CMLE kanggo nggawe versi, nemtokake sumber model sing diekspor perlu kanggo nyedhiyakake sumber daya sing dibutuhake kanggo ngladeni model, ngaktifake pengambilan lan muat model sing efisien, lan ndhukung versi model.
Pitakonan lan jawaban anyar liyane babagan Maju ing Learning Machine:
- Apa watesan nalika nggarap dataset gedhe ing machine learning?
- Bisa machine learning nindakake sawetara bantuan dialogis?
- Apa papan dolanan TensorFlow?
- Apa mode semangat nyegah fungsionalitas komputasi sing disebarake TensorFlow?
- Apa solusi awan Google bisa digunakake kanggo ngilangi komputasi saka panyimpenan kanggo latihan model ML sing luwih efisien kanthi data gedhe?
- Apa Google Cloud Machine Learning Engine (CMLE) nawakake akuisisi lan konfigurasi sumber daya otomatis lan nangani shutdown sumber sawise latihan model rampung?
- Apa bisa nglatih model pembelajaran mesin ing set data sing arbitrarily tanpa gangguan?
- Apa CMLE bisa maca saka data panyimpenan Google Cloud lan nggunakake model terlatih sing ditemtokake kanggo inferensi?
- Apa Tensorflow bisa digunakake kanggo latihan lan inferensi jaringan saraf jero (DNN)?
- Apa algoritma Gradient Boosting?
Ndeleng pitakonan lan jawaban liyane ing Maju ing Machine Learning