使用CMLE(云机器学习引擎)创建版本时,需要指定导出模型的来源。 此要求很重要,原因有几个,本答案将对此进行详细解释。
首先,我们来了解一下什么是“导出模型”。 在 CMLE 上下文中,导出模型是指以可用于预测的格式保存或导出的经过训练的机器学习模型。 此导出的模型可以以各种格式存储,例如 TensorFlow SavedModel、TensorFlow Lite,甚至自定义格式。
那么,为什么在 CMLE 中创建版本时需要指定导出模型的来源呢? 原因在于 CMLE 的工作流程以及需要提供服务模型所需的资源。 创建版本时,CMLE 需要知道导出的模型位于何处,以便可以部署它并可用于预测。
通过指定导出模型的来源,CMLE 可以有效地检索模型并将其加载到服务基础设施中。 这使得模型能够为客户的预测请求做好准备。 如果不指定来源,CMLE 将不知道在哪里可以找到模型,并且无法提供预测。
此外,指定导出模型的源使 CMLE 能够有效地处理版本控制。 在机器学习中,通常会对模型进行训练和迭代,并随着时间的推移对其进行改进。 CMLE 允许您创建模型的多个版本,每个版本代表不同的迭代或改进。 通过指定导出模型的来源,CMLE 可以跟踪这些版本并确保为每个预测请求提供正确的模型。
为了说明这一点,请考虑一个场景:机器学习工程师使用 TensorFlow 训练模型并将其导出为 SavedModel。 然后,工程师使用 CMLE 创建模型的版本,并将源指定为导出的 SavedModel 文件。 CMLE 部署模型并使其可用于预测。 现在,如果工程师稍后训练模型的改进版本并将其导出为新的 SavedModel,他们可以在 CMLE 中创建另一个版本,并将新导出的模型指定为源。 这使得 CMLE 能够单独管理两个版本,并根据预测请求中指定的版本提供适当的模型。
使用 CMLE 创建版本时,需要指定导出模型的源,以提供服务模型所需的资源、实现模型的高效检索和加载以及支持模型的版本控制。
最近的其他问题和解答 机器学习的发展:
- 在机器学习中处理大型数据集有哪些限制?
- 机器学习可以提供一些对话帮助吗?
- 什么是 TensorFlow 游乐场?
- Eager 模式会妨碍 TensorFlow 的分布式计算功能吗?
- 谷歌云解决方案能否用于将计算与存储解耦,以便更有效地利用大数据训练机器学习模型?
- Google Cloud Machine Learning Engine (CMLE) 是否提供自动资源获取和配置,并在模型训练完成后处理资源关闭?
- 是否可以在任意大的数据集上毫无问题地训练机器学习模型?
- CMLE 能否从 Google Cloud 存储数据中读取并使用指定的训练模型进行推理?
- Tensorflow 可以用于深度神经网络 (DNN) 的训练和推理吗?
- 什么是梯度提升算法?
更多问题及解答:
- 领域: 人工智能
- 程序: EITC/AI/GCML Google云机器学习 (前往认证计划)
- 教训: 机器学习的发展 (去相关课程)
- 主题: GCP BigQuery和开放数据集 (转到相关主题)