Lors de l'utilisation de CMLE, la création d'une version nécessite-t-elle de spécifier la source d'un modèle exporté ?
Lors de l'utilisation de CMLE (Cloud Machine Learning Engine) pour créer une version, il est nécessaire de spécifier une source d'un modèle exporté. Cette exigence est importante pour plusieurs raisons, qui seront expliquées en détail dans cette réponse.
Tout d’abord, comprenons ce que l’on entend par « modèle exporté ». Dans le contexte de CMLE, un modèle exporté fait référence à un modèle d'apprentissage automatique entraîné qui a été enregistré ou exporté dans un format pouvant être utilisé à des fins de prédiction. Ce modèle exporté peut être stocké dans différents formats tels que TensorFlow SavedModel, TensorFlow Lite ou même dans un format personnalisé.
Maintenant, pourquoi est-il nécessaire de spécifier une source d'un modèle exporté lors de la création d'une version dans CMLE ? La raison réside dans le flux de travail de CMLE et la nécessité de fournir les ressources nécessaires au service du modèle. Lors de la création d'une version, CMLE doit savoir où se trouve le modèle exporté afin qu'il puisse être déployé et mis à disposition pour la prédiction.
En spécifiant la source du modèle exporté, CMLE peut récupérer efficacement le modèle et le charger dans l'infrastructure de service. Cela permet au modèle d'être prêt pour les demandes de prédiction des clients. Sans préciser la source, CMLE ne saurait pas où trouver le modèle et ne serait pas en mesure de servir de prédictions.
De plus, la spécification de la source du modèle exporté permet à CMLE de gérer efficacement la gestion des versions. En apprentissage automatique, il est courant de former et d’itérer des modèles, afin de les améliorer au fil du temps. CMLE vous permet de créer plusieurs versions d'un modèle, chacune représentant une itération ou une amélioration différente. En spécifiant la source du modèle exporté, CMLE peut garder une trace de ces versions et garantir que le bon modèle est servi pour chaque demande de prédiction.
Pour illustrer cela, considérons un scénario dans lequel un ingénieur en apprentissage automatique entraîne un modèle à l'aide de TensorFlow et l'exporte en tant que SavedModel. L'ingénieur utilise ensuite CMLE pour créer une version du modèle, en spécifiant la source comme fichier SavedModel exporté. CMLE déploie le modèle et le rend disponible pour la prédiction. Désormais, si l'ingénieur forme ultérieurement une version améliorée du modèle et l'exporte en tant que nouveau modèle enregistré, il peut créer une autre version dans CMLE, en spécifiant le nouveau modèle exporté comme source. Cela permet à CMLE de gérer les deux versions séparément et de servir le modèle approprié en fonction de la version spécifiée dans les demandes de prédiction.
Lorsque vous utilisez CMLE pour créer une version, la spécification d'une source d'un modèle exporté est nécessaire pour fournir les ressources nécessaires à la diffusion du modèle, permettre une récupération et un chargement efficaces du modèle et prendre en charge la gestion des versions des modèles.
D'autres questions et réponses récentes concernant Progresser dans l'apprentissage automatique:
- Est-il possible d'utiliser Kaggle pour télécharger des données financières et effectuer des analyses statistiques et des prévisions à l'aide de modèles économétriques tels que R-squared, ARIMA ou GARCH ?
- Lorsqu'un noyau est forké avec des données et que l'original est privé, le noyau forké peut-il être public et si tel est le cas, ne constitue-t-il pas une violation de la vie privée ?
- Quelles sont les limites du travail avec de grands ensembles de données en apprentissage automatique ?
- L’apprentissage automatique peut-il apporter une assistance dialogique ?
- Qu'est-ce que le terrain de jeu TensorFlow ?
- Le mode impatient empêche-t-il la fonctionnalité de calcul distribué de TensorFlow ?
- Les solutions cloud de Google peuvent-elles être utilisées pour dissocier l'informatique du stockage pour une formation plus efficace du modèle ML avec le Big Data ?
- Le moteur d'apprentissage automatique Google Cloud (CMLE) propose-t-il une acquisition et une configuration automatiques des ressources et gère-t-il l'arrêt des ressources une fois la formation du modèle terminée ?
- Est-il possible d’entraîner des modèles d’apprentissage automatique sur des ensembles de données arbitrairement volumineux sans problème ?
- CMLE peut-il lire les données de stockage Google Cloud et utiliser un modèle entraîné spécifié pour l'inférence ?
Voir plus de questions et réponses dans Faire progresser l'apprentissage automatique