Cuando se utiliza CMLE, ¿la creación de una versión requiere especificar una fuente de un modelo exportado?
Cuando se utiliza CMLE (Cloud Machine Learning Engine) para crear una versión, es necesario especificar una fuente de un modelo exportado. Este requisito es importante por varias razones, que se explicarán en detalle en esta respuesta.
En primer lugar, comprendamos qué se entiende por "modelo exportado". En el contexto de CMLE, un modelo exportado se refiere a un modelo de aprendizaje automático entrenado que se ha guardado o exportado en un formato que puede usarse para predicción. Este modelo exportado se puede almacenar en varios formatos, como TensorFlow SavedModel, TensorFlow Lite o incluso un formato personalizado.
Ahora bien, ¿por qué es necesario especificar una fuente de un modelo exportado al crear una versión en CMLE? La razón radica en el flujo de trabajo de CMLE y la necesidad de proporcionar los recursos necesarios para dar servicio al modelo. Al crear una versión, CMLE necesita saber dónde se encuentra el modelo exportado para poder implementarlo y ponerlo a disposición para la predicción.
Al especificar la fuente del modelo exportado, CMLE puede recuperar el modelo de manera eficiente y cargarlo en la infraestructura de servicio. Esto permite que el modelo esté listo para las solicitudes de predicción de los clientes. Sin especificar la fuente, CMLE no sabría dónde encontrar el modelo y no podría realizar predicciones.
Además, especificar el origen del modelo exportado permite a CMLE manejar el control de versiones de manera efectiva. En el aprendizaje automático, es común entrenar e iterar modelos, mejorándolos con el tiempo. CMLE le permite crear múltiples versiones de un modelo, cada una de las cuales representa una iteración o mejora diferente. Al especificar la fuente del modelo exportado, CMLE puede realizar un seguimiento de estas versiones y garantizar que se entregue el modelo correcto para cada solicitud de predicción.
Para ilustrar esto, considere un escenario en el que un ingeniero de aprendizaje automático entrena un modelo usando TensorFlow y lo exporta como SavedModel. Luego, el ingeniero usa CMLE para crear una versión del modelo, especificando la fuente como el archivo SavedModel exportado. CMLE implementa el modelo y lo pone a disposición para predicción. Ahora, si el ingeniero luego entrena una versión mejorada del modelo y lo exporta como un nuevo modelo guardado, puede crear otra versión en CMLE, especificando el nuevo modelo exportado como fuente. Esto permite a CMLE administrar ambas versiones por separado y ofrecer el modelo apropiado según la versión especificada en las solicitudes de predicción.
Cuando se utiliza CMLE para crear una versión, es necesario especificar una fuente de un modelo exportado para proporcionar los recursos necesarios para servir el modelo, permitir la recuperación y carga eficientes del modelo y admitir el control de versiones de los modelos.
Otras preguntas y respuestas recientes sobre Avanzando en el aprendizaje automático:
- Cuando se bifurca un kernel con datos y el original es privado, ¿puede el bifurcado ser público y, de ser así, no constituye una violación de la privacidad?
- ¿Cuáles son las limitaciones al trabajar con grandes conjuntos de datos en el aprendizaje automático?
- ¿Puede el aprendizaje automático ofrecer alguna ayuda dialógica?
- ¿Qué es el área de juegos de TensorFlow?
- ¿El modo ansioso impide la funcionalidad informática distribuida de TensorFlow?
- ¿Se pueden utilizar las soluciones en la nube de Google para desacoplar la informática del almacenamiento y lograr un entrenamiento más eficiente del modelo de aprendizaje automático con big data?
- ¿Ofrece Google Cloud Machine Learning Engine (CMLE) la adquisición y configuración automática de recursos y maneja el cierre de recursos una vez finalizado el entrenamiento del modelo?
- ¿Es posible entrenar modelos de aprendizaje automático en conjuntos de datos arbitrariamente grandes sin contratiempos?
- ¿CMLE puede leer datos de almacenamiento de Google Cloud y utilizar un modelo entrenado específico para la inferencia?
- ¿Se puede utilizar Tensorflow para el entrenamiento y la inferencia de redes neuronales profundas (DNN)?
Ver más preguntas y respuestas en Avanzando en el aprendizaje automático