Proyectos, modelos, versiones y trabajos

Muchos términos en el aprendizaje automático (AA) significan cosas diferentes en contextos diferentes. En esta sección, se definen algunos términos según se usan en esta documentación.

Proyectos, modelos, versiones y trabajos

Proyecto
Tu proyecto es tu proyecto de Google Cloud Platform. Es el contenedor lógico para tus modelos y trabajos implementados. Cada proyecto que uses para desarrollar soluciones de Cloud ML Engine debe tener habilitado Cloud Machine Learning Engine. Tu Cuenta de Google puede ser miembro de varios proyectos de GCP.
Modelo
En AA, un modelo representa la solución a un problema que estás tratando de resolver. En otras palabras, es la receta para predecir un valor a partir de datos. En Cloud ML Engine, un modelo es un contenedor lógico para versiones individuales de esa solución. Por ejemplo, supongamos que el problema que quieres resolver es predecir el precio de venta de las casas dado un conjunto de datos sobre ventas anteriores. Creas un modelo en Cloud ML Engine llamado housing_prices y pruebas varias técnicas de aprendizaje automático para resolver el problema. En cada etapa, puedes implementar versiones de ese modelo. Cada versión puede ser completamente diferente de las otras, pero puedes organizarlas bajo el mismo modelo si se adapta a tu flujo de trabajo.
Modelo entrenado
Un modelo entrenado incluye el estado de tu modelo de procesamiento y su configuración después del entrenamiento.
Modelo guardado
La mayoría de los marcos de trabajo del aprendizaje automático pueden serializar la información que representa tu modelo entrenado y crear un archivo como un modelo guardado, que puedes implementar para la predicción en la nube.
Versión del modelo
Una versión del modelo, o simplemente una versión, es una instancia de una solución de aprendizaje automático almacenada en el servicio de modelos de Cloud ML Engine. Creas una versión cuando pasas un modelo entrenado serializado (como un modelo guardado) al servicio.
Trabajo
Interactúas con los servicios de Cloud ML Engine cuando inicias solicitudes y trabajos. Las solicitudes son solicitudes a la API web normales que muestran una respuesta lo más rápido posible. Los trabajos son operaciones de larga duración que se procesan de forma asíncrona. Cloud ML Engine ofrece trabajos de entrenamiento y de predicción por lotes. Envías una solicitud para iniciar el trabajo y obtienes una respuesta rápida que verifica el estado del trabajo. Luego, puedes solicitar el estado periódicamente para realizar un seguimiento del progreso de tu trabajo.

Empaquetado, habilitación a etapa, exportación e implementación de modelos

Mueves modelos y datos, especialmente entre tu entorno local y Cloud Storage, y entre Cloud Storage y los servicios de Cloud ML Engine. Esta documentación usa los siguientes términos para indicar operaciones específicas en el proceso.

Empaquetar
Empaquetas tu aplicación de entrenamiento para que el servicio de entrenamiento de Cloud ML Engine pueda instalarlo en cada instancia de entrenamiento. Cuando empaquetas la aplicación, la conviertes en un paquete estándar de Python.
Habilitar a etapa
Habilitas a etapa tu paquete de aplicaciones de entrenamiento en un depósito de Cloud Storage al que tu proyecto tiene acceso. Esto permite que el servicio de entrenamiento acceda al paquete y lo copie en todas las instancias del entrenamiento. También habilitas a etapa un modelo guardado entrenado en otro lugar en un depósito de Cloud Storage al que tu proyecto tiene acceso. Esto permite que el servicio de predicción en línea acceda al paquete y lo implemente.
Exportar
En el contexto de los modelos de aprendizaje automático, esta documentación usa la exportación para indicar el proceso de serializar tu modelo de procesamiento y la configuración para archivar. Usas tus objetos y modelo guardado para exportar.
Implementar
Implementas una versión del modelo cuando creas un recurso de versión. Especificas un modelo exportado (un archivo de modelo guardado) y un recurso de modelo al que asignar la versión, y Cloud ML Engine aloja la versión con el fin de que puedas enviarle predicciones.

Pasos siguientes

¿Te sirvió esta página? Envíanos tu opinión:

Enviar comentarios sobre…

Cloud ML Engine para XGBoost y scikit-learn