Bir sürüm oluşturmak için CMLE (Bulut Makine Öğrenme Motoru) kullanıldığında, dışa aktarılan modelin kaynağını belirtmek gerekir. Bu gereklilik, bu cevapta ayrıntılı olarak açıklanacak olan çeşitli nedenlerden dolayı önemlidir.
Öncelikle "dışa aktarılan model" ile ne kastedildiğini anlayalım. CMLE bağlamında dışa aktarılan model, tahmin için kullanılabilecek bir formatta kaydedilen veya dışa aktarılan eğitimli bir makine öğrenimi modelini ifade eder. Dışa aktarılan bu model, TensorFlow SavedModel, TensorFlow Lite gibi çeşitli formatlarda ve hatta özel bir formatta saklanabilir.
Şimdi, CMLE'de bir sürüm oluştururken dışa aktarılan modelin kaynağını belirtmek neden gerekli? Bunun nedeni CMLE'nin iş akışında ve modelin sunulması için gerekli kaynakların sağlanması ihtiyacında yatmaktadır. Bir sürüm oluştururken CMLE'nin, konuşlandırılabilmesi ve tahmin için kullanılabilir hale getirilebilmesi için dışa aktarılan modelin nerede bulunduğunu bilmesi gerekir.
Dışa aktarılan modelin kaynağını belirterek CMLE, modeli verimli bir şekilde alabilir ve hizmet veren altyapıya yükleyebilir. Bu, modelin müşterilerden gelen tahmin isteklerine hazır olmasını sağlar. Kaynağı belirtmeden CMLE, modeli nerede bulacağını bilemez ve tahminlerde bulunamaz.
Ek olarak, dışa aktarılan modelin kaynağının belirtilmesi CMLE'nin sürüm oluşturmayı etkili bir şekilde yönetmesini sağlar. Makine öğreniminde modelleri eğitmek ve yinelemek, bunları zaman içinde iyileştirmek yaygın bir uygulamadır. CMLE, bir modelin her biri farklı bir yinelemeyi veya iyileştirmeyi temsil eden birden çok sürümünü oluşturmanıza olanak tanır. CMLE, dışa aktarılan modelin kaynağını belirterek bu sürümleri takip edebilir ve her tahmin isteği için doğru modelin sunulmasını sağlayabilir.
Bunu göstermek için, bir makine öğrenimi mühendisinin TensorFlow kullanarak bir modeli eğittiği ve onu SavedModel olarak dışarı aktardığı bir senaryoyu düşünün. Mühendis daha sonra kaynağı dışa aktarılan SavedModel dosyası olarak belirterek modelin bir sürümünü oluşturmak için CMLE'yi kullanır. CMLE modeli dağıtır ve tahmin için kullanılabilir hale getirir. Artık mühendis daha sonra modelin geliştirilmiş bir sürümünü eğitirse ve bunu yeni bir SavedModel olarak dışa aktarırsa, CMLE'de dışa aktarılan yeni modeli kaynak olarak belirterek başka bir sürüm oluşturabilir. Bu, CMLE'nin her iki sürümü ayrı ayrı yönetmesine ve tahmin isteklerinde belirtilen sürüme göre uygun modeli sunmasına olanak tanır.
Bir sürüm oluşturmak için CMLE'yi kullanırken, modelin sunulması için gerekli kaynakların sağlanması, modelin etkin bir şekilde alınmasını ve yüklenmesini sağlamak ve modellerin sürüm oluşturmasını desteklemek için dışa aktarılan modelin kaynağını belirtmek gerekir.
ile ilgili diğer yeni sorular ve cevaplar Makine Öğreniminde İlerleme:
- Makine öğreniminde büyük veri kümeleriyle çalışmanın sınırlamaları nelerdir?
- Makine öğrenimi diyalojik yardım sağlayabilir mi?
- TensorFlow oyun alanı nedir?
- İstekli mod, TensorFlow'un dağıtılmış bilgi işlem işlevselliğini engelliyor mu?
- Google bulut çözümleri, makine öğrenimi modelinin büyük verilerle daha verimli bir şekilde eğitilmesi amacıyla bilişimi depolamadan ayırmak için kullanılabilir mi?
- Google Cloud Makine Öğrenimi Motoru (CMLE), otomatik kaynak edinimi ve yapılandırması sunuyor mu ve modelin eğitimi tamamlandıktan sonra kaynağın kapatılmasını gerçekleştiriyor mu?
- Makine öğrenimi modellerini keyfi olarak büyük veri kümeleri üzerinde hiçbir aksaklık olmadan eğitmek mümkün müdür?
- CMLE, Google Cloud depolama verilerini okuyabilir ve çıkarım için belirli bir eğitimli modeli kullanabilir mi?
- Tensorflow, derin sinir ağlarının (DNN'ler) eğitimi ve çıkarımı için kullanılabilir mi?
- Degrade Arttırma algoritması nedir?
Makine Öğreniminde İlerleme bölümünde daha fazla soru ve yanıt görüntüleyin