CMLE-г ашиглах үед хувилбар үүсгэхэд экспортлогдсон загварын эх сурвалжийг зааж өгөх шаардлагатай юу?
Хувилбар үүсгэхийн тулд CMLE (Cloud Machine Learning Engine) ашиглахдаа экспортлогдсон загварын эх сурвалжийг зааж өгөх шаардлагатай. Энэ шаардлага нь хэд хэдэн шалтгааны улмаас чухал бөгөөд үүнийг энэ хариултанд дэлгэрэнгүй тайлбарлах болно.
Эхлээд "экспортолсон загвар" гэж юу болохыг ойлгоцгооё. CMLE-ийн хүрээнд экспортлогдсон загвар нь урьдчилан таамаглахад ашиглаж болох форматаар хадгалагдсан эсвэл экспортлогдсон бэлтгэгдсэн машин сургалтын загварыг хэлнэ. Энэхүү экспортлогдсон загварыг TensorFlow SavedModel, TensorFlow Lite гэх мэт янз бүрийн форматаар эсвэл бүр тусгай форматаар хадгалах боломжтой.
Одоо CMLE дээр хувилбар үүсгэхдээ яагаад экспортлогдсон загварын эх сурвалжийг зааж өгөх шаардлагатай байна вэ? Үүний шалтгаан нь CMLE-ийн ажлын урсгал, загварт үйлчлэхэд шаардлагатай нөөцөөр хангах хэрэгцээнд оршдог. Хувилбар үүсгэх үед CMLE нь экспортлогдсон загвар хаана байрлаж байгааг мэдэж байх шаардлагатай бөгөөд ингэснээр түүнийг байрлуулж, урьдчилан таамаглахад бэлэн болгоно.
Экспортолсон загварын эх сурвалжийг зааж өгснөөр CMLE нь загварыг үр дүнтэй татаж авч, үйлчлэх дэд бүтцэд ачаалж чадна. Энэ нь загварыг үйлчлүүлэгчдээс урьдчилан таамаглах хүсэлтэд бэлэн байлгах боломжийг олгодог. Эх сурвалжийг заагаагүй бол CMLE загвараа хаанаас олохоо мэдэхгүй, таамаглал дэвшүүлэх боломжгүй болно.
Нэмж дурдахад, экспортлогдсон загварын эх сурвалжийг зааж өгснөөр CMLE нь хувилбарыг үр дүнтэй зохицуулах боломжийг олгодог. Машины сургалтын хувьд загвар дээр сургах, давтах, цаг хугацааны явцад сайжруулах нь түгээмэл байдаг. CMLE нь загвар бүр өөр давталт эсвэл сайжруулалтыг илэрхийлдэг олон хувилбарыг үүсгэх боломжийг танд олгоно. Экспортолсон загварын эх сурвалжийг зааж өгснөөр CMLE нь эдгээр хувилбаруудыг хянаж, таамаглах хүсэлт бүрт зөв загвар үйлчлэх эсэхийг баталгаажуулах боломжтой.
Үүнийг харуулахын тулд машин сургалтын инженер TensorFlow ашиглан загварыг сургаж, SavedModel болгон экспортлох хувилбарыг авч үзье. Дараа нь инженер CMLE-г ашиглан загварын хувилбарыг үүсгэж, эх сурвалжийг экспортлогдсон SavedModel файл гэж зааж өгдөг. CMLE нь загварыг байрлуулж, урьдчилан таамаглахад бэлэн болгодог. Одоо, хэрэв инженер хожим нь загварын сайжруулсан хувилбарыг сургаж, түүнийг шинэ SavedModel болгон экспортлох юм бол тэд CMLE дээр өөр хувилбарыг үүсгэж, шинэ экспортлогдсон загварыг эх сурвалж болгон зааж өгч болно. Энэ нь CMLE-д хоёр хувилбарыг тусад нь удирдаж, таамаглах хүсэлтэд заасан хувилбар дээр үндэслэн тохирох загварт үйлчлэх боломжийг олгодог.
Хувилбар үүсгэхийн тулд CMLE-г ашиглахдаа загварт үйлчлэхэд шаардлагатай нөөцөөр хангах, загварыг үр ашигтай татаж авах, ачаалах, загвар хувилбаруудыг гаргахад дэмжлэг үзүүлэхийн тулд экспортлогдсон загварын эх сурвалжийг зааж өгөх шаардлагатай.
Сүүлийн үеийн бусад асуулт, хариулт Машин сургалтанд ахиц дэвшил гаргах:
- Цөм нь өгөгдөлтэй, эх хувь нь хувийнх байх үед сэрээтэй нь олон нийтэд нээлттэй байж болох уу, хэрэв тийм бол нууцлалын зөрчил биш үү?
- Машин сургалтын явцад том өгөгдлийн багцтай ажиллахад ямар хязгаарлалт байдаг вэ?
- Машины сургалт нь харилцан ярианы тусламж үзүүлж чадах уу?
- TensorFlow тоглоомын талбай гэж юу вэ?
- Хүсэл эрмэлзэлтэй горим нь TensorFlow-ийн тархсан тооцооллын функцийг саатуулдаг уу?
- Google үүлэн шийдлүүдийг том өгөгдөлтэй ML загварыг илүү үр дүнтэй сургах үүднээс тооцоололыг хадгалах сангаас салгахад ашиглаж болох уу?
- Google Cloud Machine Learning Engine (CMLE) нь загварын сургалт дууссаны дараа нөөцийг автоматаар олж авах, тохируулах, мөн нөөцийг зогсоохыг санал болгодог уу?
- Машин сургалтын загваруудыг дур зоргоороо том өгөгдлийн багц дээр ямар ч саадгүй сургах боломжтой юу?
- CMLE нь Google Cloud хадгалах сангийн датаг уншиж, дүгнэлт гаргахдаа тусгайлан бэлтгэгдсэн загварыг ашиглаж чадах уу?
- Tensorflow-ийг гүн мэдрэлийн сүлжээг (DNN) сургах, дүгнэлт хийхэд ашиглаж болох уу?
Бусад асуулт, хариултыг "Machine Learning-д ахиц дэвшил" хэсгээс үзнэ үү