Dema ku CMLE (Motora Fêrbûna Makîneya Cloud) ji bo afirandina guhertoyek bikar tîne, pêdivî ye ku çavkaniyek modelek derxistinê diyar bike. Ev hewcedarî ji ber çend sedeman girîng e, ku dê di vê bersivê de bi berfirehî were rave kirin.
Pêşîn, em fêm bikin ka wateya "modela derhanîn" çi ye. Di çarçoweya CMLE de, modelek îxrackirî modelek fêrbûna makîneya perwerdekirî ya ku bi rengek ku dikare ji bo pêşbîniyê were bikar anîn hatî hilanîn an hinardekirin vedibêje. Ev modela îxrackirî dikare di formên cihêreng ên wekî TensorFlow SavedModel, TensorFlow Lite, an tewra rengek xwerû de were hilanîn.
Naha, çima hewce ye ku dema afirandina guhertoyek di CMLE de çavkaniyek modelek derxistî diyar bike? Sedem di xebata CMLE de û hewcedariya peydakirina çavkaniyên pêwîst ji bo xizmetkirina modelê ye. Dema ku guhertoyek diafirîne, CMLE pêdivî ye ku zanibe ku modela derhanîn li ku derê ye da ku ew were bicîh kirin û ji bo pêşbîniyê were peyda kirin.
Bi destnîşankirina çavkaniya modela hinardekirî, CMLE dikare modelê bi rengek bikêr bistîne û wê di binesaziya xizmetkarê de bar bike. Ev dihêle ku model ji bo daxwazên pêşbîniyê ji xerîdar re amade be. Bêyî destnîşankirina çavkaniyê, CMLE dê nizane ku modelê li ku bibîne û dê nikaribe pêşbîniyan bike.
Wekî din, destnîşankirina çavkaniya modela derhanîn CMLE dihêle ku guhertoya bi bandor bi rê ve bibe. Di fêrbûna makîneyê de, gelemperî ye ku li ser modelan perwerdekirin û dubare kirin, bi demê re wan baştir bikin. CMLE destûrê dide te ku hûn gelek guhertoyên modelek biafirînin, ku her yek dubarekirinek an çêtirbûnek cûda temsîl dike. Bi destnîşankirina çavkaniya modela derhanîn, CMLE dikare van guhertoyan bişopîne û piştrast bike ku modela rast ji bo her daxwazek pêşbîniyê tête peyda kirin.
Ji bo ronîkirina vê, senaryoyek bihesibînin ku endezyarek fêrbûna makîneyê modelek bi karanîna TensorFlow perwerde dike û wê wekî SavedModel derdixe. Dûv re endezyar CMLE bikar tîne da ku guhertoyek modelê biafirîne, çavkaniyê wekî pelê SavedModel-ê hatî derxistin destnîşan dike. CMLE modelê bi cih dike û wê ji bo pêşbîniyê peyda dike. Naha, heke endazyar paşê guhertoyek çêtir a modelê perwerde bike û wê wekî SavedModelek nû derxîne, ew dikarin di CMLE de guhertoyek din biafirînin, modela nû ya derhanîn wekî çavkanî destnîşan bikin. Ev dihêle ku CMLE her du guhertoyan ji hev cuda îdare bike û modela guncan li ser bingeha guhertoya ku di daxwazên pêşbîniyê de hatî destnîşan kirin xizmet bike.
Dema ku CMLE ji bo afirandina guhertoyek bikar tîne, diyarkirina çavkaniyek modelek derhanîn hewce ye ku çavkaniyên pêwîst ji bo xizmetkirina modelê peyda bike, vegerandin û barkirina modelê bi bandor bike, û guhertoya modelan piştgirî bike.
Pirs û bersivên din ên vê dawiyê di derbarê Di Fêrbûna Makîneyê de pêşve diçin:
- Di fêrbûna makîneyê de di xebata bi daneyên mezin de çi sînor hene?
- Ma fêrbûna makîneyê dikare hin arîkariya diyalogê bike?
- Qada lîstikê ya TensorFlow çi ye?
- Ma moda dilşewat rê li ber fonksiyona hesabkirina belavkirî ya TensorFlow digire?
- Ma dikare çareseriyên ewr ên Google-ê were bikar anîn da ku hesabkirinê ji hilanînê veqetîne ji bo perwerdehiyek bikêrtir a modela ML bi daneyên mezin re?
- Ma motora Fêrbûna Makîneya Ewrê ya Google (CMLE) wergirtina çavkaniyê û veavakirina otomatîkî pêşkêşî dike û piştî ku perwerdehiya modelê qediya girtina çavkaniyê bi rê ve dibe?
- Ma gengaz e ku meriv modelên fêrbûna makîneyê li ser komikên daneya kêfî yên mezin û bê hicup perwerde bike?
- Ma CMLE dikare ji daneyên hilanînê yên Google Cloud bixwîne û ji bo encamnameyê modelek perwerdekirî ya diyarkirî bikar bîne?
- Ma Tensorflow dikare ji bo perwerdekirin û destnîşankirina torên neuralî yên kûr (DNN) were bikar anîn?
- Algorîtmaya Boostkirina Gradient çi ye?
Pir pirs û bersivan di Pêşveçûna Fêrbûna Makîneyê de bibînin