Saat menggunakan CMLE (Cloud Machine Learning Engine) untuk membuat versi, sumber model yang diekspor perlu ditentukan. Persyaratan ini penting karena beberapa alasan, yang akan dijelaskan secara rinci dalam jawaban ini.
Pertama, mari kita pahami apa yang dimaksud dengan "model yang diekspor". Dalam konteks CMLE, model yang diekspor mengacu pada model pembelajaran mesin terlatih yang telah disimpan atau diekspor dalam format yang dapat digunakan untuk prediksi. Model yang diekspor ini dapat disimpan dalam berbagai format seperti TensorFlow SavedModel, TensorFlow Lite, atau bahkan format kustom.
Sekarang, mengapa perlu menentukan sumber model yang diekspor saat membuat versi di CMLE? Alasannya terletak pada alur kerja CMLE dan kebutuhan untuk menyediakan sumber daya yang diperlukan untuk melayani model. Saat membuat versi, CMLE perlu mengetahui lokasi model yang diekspor sehingga dapat diterapkan dan tersedia untuk prediksi.
Dengan menentukan sumber model yang diekspor, CMLE dapat mengambil model secara efisien dan memuatnya ke infrastruktur layanan. Hal ini memungkinkan model siap menerima permintaan prediksi dari klien. Tanpa menentukan sumbernya, CMLE tidak akan mengetahui di mana menemukan model tersebut dan tidak akan dapat memberikan prediksi.
Selain itu, menentukan sumber model yang diekspor memungkinkan CMLE menangani pembuatan versi secara efektif. Dalam pembelajaran mesin, melatih dan mengulangi model merupakan hal yang umum, lalu menyempurnakannya seiring waktu. CMLE memungkinkan Anda membuat beberapa versi model, masing-masing mewakili iterasi atau peningkatan yang berbeda. Dengan menentukan sumber model yang diekspor, CMLE dapat melacak versi ini dan memastikan bahwa model yang benar disajikan untuk setiap permintaan prediksi.
Untuk mengilustrasikannya, pertimbangkan skenario saat teknisi pembelajaran mesin melatih model menggunakan TensorFlow dan mengekspornya sebagai SavedModel. Insinyur kemudian menggunakan CMLE untuk membuat versi model, menentukan sumbernya sebagai file SavedModel yang diekspor. CMLE menerapkan model dan membuatnya tersedia untuk prediksi. Sekarang, jika teknisi kemudian melatih versi model yang lebih baik dan mengekspornya sebagai SavedModel baru, mereka dapat membuat versi lain di CMLE, dengan menentukan model baru yang diekspor sebagai sumbernya. Hal ini memungkinkan CMLE untuk mengelola kedua versi secara terpisah dan menyajikan model yang sesuai berdasarkan versi yang ditentukan dalam permintaan prediksi.
Saat menggunakan CMLE untuk membuat versi, menentukan sumber model yang diekspor diperlukan untuk menyediakan sumber daya yang diperlukan untuk menyajikan model, memungkinkan pengambilan dan pemuatan model secara efisien, dan mendukung pembuatan versi model.
Pertanyaan dan jawaban terbaru lainnya tentang Maju dalam Pembelajaran Mesin:
- Apa saja batasan dalam bekerja dengan kumpulan data besar dalam pembelajaran mesin?
- Bisakah pembelajaran mesin memberikan bantuan dialogis?
- Apa yang dimaksud dengan taman bermain TensorFlow?
- Apakah mode bersemangat mencegah fungsi komputasi terdistribusi TensorFlow?
- Dapatkah solusi cloud Google digunakan untuk memisahkan komputasi dari penyimpanan guna pelatihan model ML dengan data besar yang lebih efisien?
- Apakah Google Cloud Machine Learning Engine (CMLE) menawarkan akuisisi dan konfigurasi sumber daya otomatis serta menangani penghentian sumber daya setelah pelatihan model selesai?
- Apakah mungkin untuk melatih model pembelajaran mesin pada kumpulan data yang sangat besar tanpa hambatan?
- Bisakah CMLE membaca data penyimpanan Google Cloud dan menggunakan model terlatih tertentu untuk inferensi?
- Bisakah Tensorflow digunakan untuk pelatihan dan inferensi jaringan saraf dalam (DNN)?
- Apa itu algoritma Gradient Boosting?
Lihat lebih banyak pertanyaan dan jawaban di Memajukan Pembelajaran Mesin