Parçeya Pusher di TensorFlow Extended (TFX) de beşek bingehîn a lûleya TFX ye ku bi cîhkirina modelên perwerdekirî li hawîrdorên cihêreng ên armanc digire. Armancên bicîhkirinê yên ji bo pêkhateya Pusher di TFX de cihêreng û maqûl in, ku rê dide bikarhêneran ku li gorî hewcedariyên xwe yên taybetî modelên xwe li platformên cihêreng bicîh bikin. Di vê bersivê de, em ê hin armancên bicîhkirina hevpar ên ji bo pêkhateya Pusher lêkolîn bikin û ravekirinek berfireh a her yekê peyda bikin.
1. Dabeşkirina Herêmî:
Parçeya Pusher piştgirî dide bicîhkirina herêmî, ku destûrê dide bikarhêneran ku modelên xwe yên perwerdekirî li ser makîneya herêmî bicîh bikin. Ev ji bo mebestên ceribandin û pêşkeftinê bikêr e, ku model bêyî hewcedariya pergalek belavkirî an binesaziyek derveyî were bicîh kirin û nirxandin. Dabeşkirina herêmî bi tenê bi destnîşankirina riya herêmî ya ku eserên modelê lê têne hilanîn pêk tê.
Mînak:
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. Platforma Google Cloud AI:
Parçeya Pusher di heman demê de piştgirî dide şandina Google Cloud AI Platform, karûbarek rêvekirî ku ji bo xebitandina modelên fêrbûna makîneyê jîngehek bê server peyda dike. Ev rê dide bikarhêneran ku bi hêsanî modelên xwe li ser ewr bi cih bikin û ji pîvan û pêbaweriya ku ji hêla Google Cloud ve hatî pêşkêş kirin sûd werbigirin. Ji bo ku li Platforma Google Cloud AI-ê were bicîh kirin, bikarhêner hewce ne ku nasnameya projeyê, navê modelê û navê guhertoyê peyda bikin.
Mînak:
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. Xizmetkirina TensorFlow:
TensorFlow Serving ji bo bicîhkirina modelên fêrbûna makîneyê pergalek karûbarê çavkaniya vekirî ye. Parçeya Pusher di TFX de piştgirî dide şandina TensorFlow Serving, ku dihêle bikarhêner modelên xwe li binesaziyek karûbarê belavkirî bicîh bikin. Ev karûbarê modela bi performansa bilind û berbelav dike, ku wê ji bo bicîhkirina hilberînê maqûl dike. Ji bo ku li ser Servinga TensorFlow bicîh bikin, bikarhêner hewce ne ku navnîşan û porta servera modela TensorFlow Serving peyda bikin.
Mînak:
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. Armancên Dabeşkirina Xweserî yên din:
Parçeya Pusher di TFX de hatî sêwirandin ku berfirehtir be, ku dihêle bikarhêner armancên xwe yên bicîhkirina xwerû diyar bikin. Ev ji bikarhêneran re nermbûnê dide ku modelên xwe li her hawîrdor an pergala ku dikare modelên TensorFlow bixwin bicîh bikin. Bikarhêner dikarin binkeya xwe ya xwerû ya `PushDestination` bicîh bikin û wê bi pêkhateya Pusher re tomar bikin da ku bicîhkirina li hawîrdora armanca xwe çalak bikin.
Mînak:
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') )
Parçeya Pusher di TFX de, di nav de bicîhkirina herêmî, Platforma Google Cloud AI, Servîskirina TensorFlow, û armancên bicîhkirina xwerû, armancên cihêreng ên bicîhkirinê piştgirî dike. Ev nermbûn dihêle bikarhêneran li gorî hewcedariyên xwe yên taybetî û sazkirina binesaziyê modelên xwe yên perwerdekirî li hawîrdorên cihêreng bicîh bikin.
Pirs û bersivên din ên vê dawiyê di derbarê Pêvajo û beşên belavkirî:
- Armanca beşa Evaluator di TFX de çi ye?
- Du celeb SavedModels ku ji hêla beşa Trainer ve têne çêkirin çi ne?
- Perçeya Veguheztinê çawa hevrêziya di navbera hawîrdorên perwerde û xizmetkirinê de peyda dike?
- Rola Apache Beam di çarçoveya TFX de çi ye?