TensorFlow Extended (TFX) дахь Pusher бүрэлдэхүүн хэсэг нь TFX дамжуулах хоолойн үндсэн хэсэг бөгөөд бэлтгэгдсэн загваруудыг янз бүрийн зорилтот орчинд байрлуулах ажлыг зохицуулдаг. TFX дахь Pusher бүрэлдэхүүн хэсгийн байршуулалтын зорилтууд нь олон янзын бөгөөд уян хатан байдаг тул хэрэглэгчид өөрсдийн шаардлагаас хамааран өөр өөр платформ дээр загвараа байрлуулах боломжийг олгодог. Энэ хариултанд бид Pusher бүрэлдэхүүн хэсгийн нийтлэг байршуулах зорилтуудын заримыг судалж, тус бүрийн иж бүрэн тайлбарыг өгөх болно.
1. Орон нутгийн байршуулалт:
Pusher бүрэлдэхүүн хэсэг нь орон нутгийн байршуулалтыг дэмждэг бөгөөд энэ нь хэрэглэгчдэд өөрсдийн бэлтгэгдсэн загваруудаа орон нутгийн машин дээр байрлуулах боломжийг олгодог. Энэ нь тархсан систем эсвэл гадны дэд бүтэц ашиглахгүйгээр загварыг байрлуулж, үнэлэх боломжтой туршилт, хөгжүүлэлтийн зорилгоор хэрэгтэй. Загвар олдворууд хадгалагдаж буй орон нутгийн замыг зүгээр л зааж өгснөөр орон нутгийн байршуулалт хийгддэг.
Жишээ нь:
python pusher = Pusher( model=trainer.outputs['model'], model_blessing=evaluator.outputs['blessing'], push_destination=pusher_pb2.PushDestination( filesystem=pusher_pb2.PushDestination.Filesystem( base_directory='/path/to/local/deployment' ) ) )
2. Google Cloud AI платформ:
Мөн Pusher бүрэлдэхүүн хэсэг нь Google Cloud AI платформыг ашиглахыг дэмждэг бөгөөд энэ нь машин сургалтын загваруудыг ажиллуулах сервергүй орчинг бүрдүүлдэг удирдлагатай үйлчилгээ юм. Энэ нь хэрэглэгчдэд загвараа үүлэн дээр хялбархан байршуулж, Google Cloud-аас санал болгож буй өргөтгөх чадвар, найдвартай байдлыг ашиглах боломжийг олгодог. Google Cloud AI платформд ашиглахын тулд хэрэглэгчид төслийн ID, загварын нэр, хувилбарын нэрийг оруулах шаардлагатай.
Жишээ нь:
python pusher = Pusher( model=trainer.outputs['model'], model_blessing=evaluator.outputs['blessing'], push_destination=pusher_pb2.PushDestination( ai_platform_push=pusher_pb2.PushDestination.AIPlatformPush( project_id='my-project', model_id='my-model', version_id='v1' ) ) )
3. TensorFlow үйлчилгээ:
TensorFlow Serving нь машин сургалтын загваруудыг ашиглахад зориулагдсан нээлттэй эхийн үйлчилгээний систем юм. TFX дахь Pusher бүрэлдэхүүн хэсэг нь TensorFlow Serving-д байршуулалтыг дэмждэг бөгөөд хэрэглэгчдэд өөрсдийн загвараа түгээсэн үйлчилгээний дэд бүтцэд байрлуулах боломжийг олгодог. Энэ нь өндөр гүйцэтгэлтэй, өргөтгөх боломжтой загварт үйлчлэх боломжийг олгож, үйлдвэрлэлд нэвтрүүлэхэд тохиромжтой. TensorFlow Serving-д байршуулахын тулд хэрэглэгчид TensorFlow Serving загварын серверийн хаяг болон портыг оруулах шаардлагатай.
Жишээ нь:
python pusher = Pusher( model=trainer.outputs['model'], model_blessing=evaluator.outputs['blessing'], push_destination=pusher_pb2.PushDestination( tensorflow_serving=pusher_pb2.PushDestination.TensorFlowServing( tags=['serve'], server='localhost:8500' ) ) )
4. Захиалгат байршуулах бусад зорилтууд:
TFX дахь Pusher бүрэлдэхүүн хэсэг нь өргөтгөх боломжтой байхаар бүтээгдсэн бөгөөд хэрэглэгчдэд өөрсдийн тохируулсан байршуулалтын зорилтыг тодорхойлох боломжийг олгодог. Энэ нь хэрэглэгчдэд өөрсдийн загвараа TensorFlow загварыг ашиглах боломжтой ямар ч орчин эсвэл системд байрлуулах уян хатан боломжийг олгодог. Хэрэглэгчид өөрсдийн захиалгат `PushDestination` дэд ангиллыг хэрэгжүүлж, зорилтот орчинд байршуулахыг идэвхжүүлэхийн тулд Pusher бүрэлдэхүүн хэсэгт бүртгүүлэх боломжтой.
Жишээ нь:
python class MyCustomPushDestination(pusher_pb2.PushDestination): def __init__(self, my_custom_arg): self.my_custom_arg = my_custom_arg pusher = Pusher( model=trainer.outputs['model'], model_blessing=evaluator.outputs['blessing'], push_destination=MyCustomPushDestination(my_custom_arg='custom_value') )
TFX дахь Pusher бүрэлдэхүүн хэсэг нь орон нутгийн байршуулалт, Google Cloud AI платформ, TensorFlow үйлчилгээ болон тусгайлан байршуулах зорилтуудыг багтаасан янз бүрийн байршуулалтын зорилтуудыг дэмждэг. Энэхүү уян хатан байдал нь хэрэглэгчдэд өөрсдийн тусгай хэрэгцээ, дэд бүтцийн тохиргооноос хамааран бэлтгэгдсэн загвараа өөр өөр орчинд байрлуулах боломжийг олгодог.
Сүүлийн үеийн бусад асуулт, хариулт Тархсан боловсруулалт ба бүрэлдэхүүн хэсэг:
- TFX дахь үнэлгээний бүрэлдэхүүн хэсэг нь ямар зорилготой вэ?
- Сургагч бүрэлдэхүүнээр үүсгэгдсэн хоёр төрлийн SavedModels юу вэ?
- Transform бүрэлдэхүүн хэсэг нь сургалтын болон үйлчилгээний орчин хоорондын уялдааг хэрхэн хангадаг вэ?
- TFX хүрээн дэх Apache Beam ямар үүрэг гүйцэтгэдэг вэ?