CMLE를 사용할 때 버전을 생성하려면 내보낸 모델의 소스를 지정해야 합니까?

/ / 에 게시됨 인공 지능, EITC/AI/GCML Google Cloud 머신 러닝, 기계 학습의 발전, GCP BigQuery 및 개방형 데이터 세트

CMLE(Cloud Machine Learning Engine)을 사용하여 버전을 생성하는 경우 내보낸 모델의 소스를 지정해야 합니다. 이 요구 사항은 여러 가지 이유로 중요하며, 이에 대해서는 이 답변에서 자세히 설명하겠습니다.

먼저 "내보낸 모델"이 무엇을 의미하는지 이해해 봅시다. CMLE의 맥락에서 내보낸 모델은 예측에 사용할 수 있는 형식으로 저장되거나 내보낸 훈련된 기계 학습 모델을 의미합니다. 이 내보낸 모델은 TensorFlow SavedModel, TensorFlow Lite 또는 사용자 정의 형식과 같은 다양한 형식으로 저장할 수 있습니다.

이제 CMLE에서 버전을 생성할 때 내보낸 모델의 소스를 지정해야 하는 이유는 무엇입니까? 그 이유는 CMLE의 워크플로우와 모델 제공에 필요한 리소스를 제공해야 하기 때문입니다. 버전을 생성할 때 CMLE는 내보낸 모델을 배포하고 예측에 사용할 수 있도록 해당 모델의 위치를 ​​알아야 합니다.

내보낸 모델의 소스를 지정함으로써 CMLE는 모델을 효율적으로 검색하고 이를 서비스 인프라에 로드할 수 있습니다. 이를 통해 모델은 클라이언트의 예측 요청에 대비할 수 있습니다. 소스를 지정하지 않으면 CMLE는 모델을 어디서 찾을 수 있는지 알 수 없으며 예측을 제공할 수 없습니다.

또한 내보낸 모델의 소스를 지정하면 CMLE가 버전 관리를 효과적으로 처리할 수 있습니다. 기계 학습에서는 모델을 훈련하고 반복하여 시간이 지남에 따라 모델을 개선하는 것이 일반적입니다. CMLE를 사용하면 각각 다른 반복이나 개선을 나타내는 여러 버전의 모델을 생성할 수 있습니다. 내보낸 모델의 소스를 지정함으로써 CMLE는 이러한 버전을 추적하고 각 예측 요청에 대해 올바른 모델이 제공되도록 할 수 있습니다.

이를 설명하기 위해 기계 학습 엔지니어가 TensorFlow를 사용하여 모델을 교육하고 이를 저장된 모델로 내보내는 시나리오를 생각해 보세요. 그런 다음 엔지니어는 CMLE를 사용하여 모델 버전을 생성하고 소스를 내보낸 SavedModel 파일로 지정합니다. CMLE는 모델을 배포하고 예측에 사용할 수 있도록 합니다. 이제 엔지니어가 나중에 개선된 버전의 모델을 교육하고 이를 새 저장된 모델로 내보낼 경우 내보낸 새 모델을 소스로 지정하여 CMLE에서 다른 버전을 생성할 수 있습니다. 이를 통해 CMLE는 두 버전을 별도로 관리하고 예측 요청에 지정된 버전을 기반으로 적절한 모델을 제공할 수 있습니다.

CMLE를 사용하여 버전을 생성하는 경우 모델 제공에 필요한 리소스를 제공하고, 모델을 효율적으로 검색 및 로드하고, 모델 버전 관리를 지원하려면 내보낸 모델의 소스를 지정해야 합니다.

기타 최근 질문 및 답변 기계 학습의 발전:

기계 학습의 발전에서 더 많은 질문과 답변 보기

더 많은 질문과 답변:

아래의 태그 : , , , , ,