เมื่อใช้ CMLE (Cloud Machine Learning Engine) เพื่อสร้างเวอร์ชัน จำเป็นต้องระบุแหล่งที่มาของโมเดลที่ส่งออก ข้อกำหนดนี้มีความสำคัญด้วยเหตุผลหลายประการ ซึ่งจะอธิบายโดยละเอียดในคำตอบนี้
ก่อนอื่น เรามาทำความเข้าใจความหมายของ "โมเดลที่ส่งออก" กันก่อน ในบริบทของ CMLE โมเดลที่ส่งออกหมายถึงโมเดลการเรียนรู้ของเครื่องที่ได้รับการฝึกอบรมซึ่งได้รับการบันทึกหรือส่งออกในรูปแบบที่สามารถใช้ในการคาดการณ์ได้ โมเดลที่ส่งออกนี้สามารถจัดเก็บในรูปแบบต่างๆ เช่น TensorFlow SavedModel, TensorFlow Lite หรือแม้แต่รูปแบบที่กำหนดเอง
ตอนนี้ เหตุใดจึงจำเป็นต้องระบุแหล่งที่มาของโมเดลที่ส่งออกเมื่อสร้างเวอร์ชันใน CMLE เหตุผลอยู่ที่ขั้นตอนการทำงานของ CMLE และความจำเป็นในการจัดหาทรัพยากรที่จำเป็นสำหรับการให้บริการโมเดล เมื่อสร้างเวอร์ชัน CMLE จำเป็นต้องทราบว่าโมเดลที่ส่งออกนั้นอยู่ที่ใด เพื่อให้สามารถนำไปใช้และทำให้พร้อมสำหรับการคาดการณ์ได้
ด้วยการระบุแหล่งที่มาของโมเดลที่ส่งออก CMLE จึงสามารถดึงโมเดลและโหลดลงในโครงสร้างพื้นฐานที่ให้บริการได้อย่างมีประสิทธิภาพ ซึ่งช่วยให้โมเดลพร้อมสำหรับคำขอการคาดการณ์จากไคลเอ็นต์ หากไม่มีการระบุแหล่งที่มา CMLE จะไม่รู้ว่าจะหาแบบจำลองได้ที่ไหน และจะไม่สามารถให้บริการการคาดการณ์ได้
นอกจากนี้ การระบุแหล่งที่มาของโมเดลที่ส่งออกช่วยให้ CMLE สามารถจัดการการกำหนดเวอร์ชันได้อย่างมีประสิทธิภาพ ในแมชชีนเลิร์นนิง เป็นเรื่องปกติในการฝึกและวนซ้ำโมเดลและปรับปรุงโมเดลเมื่อเวลาผ่านไป CMLE ช่วยให้คุณสร้างแบบจำลองได้หลายเวอร์ชัน โดยแต่ละเวอร์ชันแสดงถึงการทำซ้ำหรือการปรับปรุงที่แตกต่างกัน ด้วยการระบุแหล่งที่มาของแบบจำลองที่ส่งออก CMLE สามารถติดตามเวอร์ชันเหล่านี้และรับรองว่าจะมีการแสดงแบบจำลองที่ถูกต้องสำหรับคำขอการคาดการณ์แต่ละรายการ
เพื่ออธิบายสิ่งนี้ ให้พิจารณาสถานการณ์ที่วิศวกรแมชชีนเลิร์นนิงฝึกโมเดลโดยใช้ TensorFlow และส่งออกเป็น SavedModel จากนั้นวิศวกรใช้ CMLE เพื่อสร้างเวอร์ชันของโมเดล โดยระบุแหล่งที่มาเป็นไฟล์ SavedModel ที่ส่งออก CMLE ปรับใช้โมเดลและทำให้พร้อมสำหรับการคาดการณ์ ตอนนี้ หากวิศวกรฝึกโมเดลเวอร์ชันปรับปรุงในภายหลังและส่งออกเป็น SavedModel ใหม่ พวกเขาสามารถสร้างเวอร์ชันอื่นใน CMLE โดยระบุโมเดลที่ส่งออกใหม่เป็นแหล่งที่มา ซึ่งช่วยให้ CMLE จัดการทั้งสองเวอร์ชันแยกกันและให้บริการโมเดลที่เหมาะสมตามเวอร์ชันที่ระบุในคำขอการคาดการณ์
เมื่อใช้ CMLE เพื่อสร้างเวอร์ชัน การระบุแหล่งที่มาของโมเดลที่ส่งออกนั้นจำเป็นต่อการจัดหาทรัพยากรที่จำเป็นสำหรับการให้บริการโมเดล ช่วยให้สามารถดึงและโหลดโมเดลได้อย่างมีประสิทธิภาพ และรองรับการกำหนดเวอร์ชันของโมเดล
คำถามและคำตอบล่าสุดอื่น ๆ เกี่ยวกับ ความก้าวหน้าในการเรียนรู้ของเครื่อง:
- อะไรคือข้อจำกัดในการทำงานกับชุดข้อมูลขนาดใหญ่ใน Machine Learning?
- แมชชีนเลิร์นนิงสามารถช่วยโต้ตอบเชิงโต้ตอบได้หรือไม่
- สนามเด็กเล่น TensorFlow คืออะไร
- โหมดกระตือรือร้นป้องกันฟังก์ชันการคำนวณแบบกระจายของ TensorFlow หรือไม่
- โซลูชันระบบคลาวด์ของ Google สามารถใช้เพื่อแยกการประมวลผลออกจากพื้นที่เก็บข้อมูลเพื่อการฝึกอบรมโมเดล ML ที่มีข้อมูลขนาดใหญ่ที่มีประสิทธิภาพมากขึ้นได้หรือไม่
- Google Cloud Machine Learning Engine (CMLE) เสนอการรับและกำหนดค่าทรัพยากรอัตโนมัติ และจัดการการปิดระบบทรัพยากรหลังจากการฝึกโมเดลเสร็จสิ้นหรือไม่
- เป็นไปได้ไหมที่จะฝึกโมเดลการเรียนรู้ของเครื่องบนชุดข้อมูลขนาดใหญ่โดยพลการโดยไม่มีอาการสะดุด
- CMLE สามารถอ่านจากข้อมูลที่เก็บข้อมูล Google Cloud และใช้โมเดลที่ผ่านการฝึกอบรมที่ระบุเพื่อการอนุมานได้หรือไม่
- Tensorflow สามารถใช้สำหรับการฝึกอบรมและการอนุมานโครงข่ายประสาทเทียมระดับลึก (DNN) ได้หรือไม่
- อัลกอริธึมการไล่ระดับสีเร่งคืออะไร?
ดูคำถามและคำตอบเพิ่มเติมในความก้าวหน้าในการเรียนรู้ของเครื่อง