Projekte, Modelle, Versionen und Jobs

Bei vielen Begriffen im Bereich des maschinellen Lernens (ML) ist die Bedeutung vom Kontext abhängig. In diesem Abschnitt werden einige Begriffe definiert, die in der vorliegenden Dokumentation verwendet werden.

Projekte, Modelle, Versionen und Jobs

Projekt
Mit Projekt ist das Google Cloud Platform-Projekt gemeint. Es ist der logische Container für Ihre bereitgestellten Modelle und Jobs. Für jedes Projekt, das Sie zum Entwickeln von Cloud ML Engine-Lösungen verwenden, muss Cloud Machine Learning Engine aktiviert sein. Ihr Google-Konto kann mit mehreren GCP-Projekten verbunden sein.
Modell
In ML stellt ein Modell die Lösung für ein Problem dar, an dem Sie arbeiten. Es ist also das Schema für das Vorhersagen eines Werts aus Daten. In Cloud ML Engine ist ein Modell ein logischer Container für einzelne Versionen dieser Lösung. Nehmen wir beispielsweise an, Sie möchten den Verkaufspreis von Häusern anhand von Daten zu früheren Verkäufen vorhersagen. Sie erstellen in Cloud ML Engine ein Modell mit dem Namen housing_prices und probieren mehrere maschinelle Lernverfahren aus, um das Problem zu lösen. In jeder Phase können Sie Versionen dieses Modells bereitstellen. Obwohl sich jede Version komplett von allen anderen unterscheiden kann, können Sie alle Versionen unter demselben Modell zusammenfassen, wenn dies für Ihren Workflow geeignet erscheint.
Trainiertes Modell
Ein trainiertes Modell besteht aus dem Berechnungsmodell im aktuellen Zustand mit seinen Einstellungen nach dem Training.
Gespeichertes Modell
Mit den meisten Frameworks für maschinelles Lernen können Sie die Informationen Ihres trainierten Modells serialisieren und eine Datei als gespeichertes Modell erstellen, das Sie für die Vorhersage in der Cloud bereitstellen.
Modellversion
Eine Modellversion oder einfach nur Version ist eine Instanz einer ML-Lösung, die im Modelldienst von Cloud ML Engine gespeichert wird. Eine Version wird erstellt, indem Sie ein serialisiertes, trainiertes Modell (als gespeichertes Modell) an den Dienst übergeben.
Job
Sie interagieren mit den Diensten von Cloud ML Engine, indem Sie Anfragen und Jobs initiieren. Bei diesen Anfragen handelt es sich um reguläre Web-API-Anfragen, die so schnell wie möglich eine Antwort zurückgeben. Jobs sind lang andauernde Vorgänge, die asynchron verarbeitet werden. Cloud ML Engine bietet Trainings- und Batch-Vorhersagejobs. Senden Sie eine Anfrage, um den Job zu starten und eine schnelle Antwort zu erhalten, die den Jobstatus verifiziert. Anschließend können Sie den Status periodisch abfragen, um den Fortschritt Ihres Jobs zu überprüfen.

Modelle verpacken, testen, exportieren und bereitstellen

Sie verschieben Modelle und Daten, insbesondere zwischen Ihrer lokalen Umgebung und Cloud Storage sowie zwischen Cloud Storage und den Cloud ML Engine-Diensten. In dieser Dokumentation werden die folgenden Begriffe verwendet, um bestimmte Vorgänge innerhalb des Prozesses zu bezeichnen.

Verpacken
Sie verpacken Ihre Trainingsanwendung, damit der Cloud ML Engine-Trainingsdienst sie auf jeder Trainingsinstanz installieren kann. Durch das Verpacken verwandeln Sie Ihre Anwendung in ein Standard-Python-Paket.
Testen
Sie testen Ihr Trainingsanwendungspaket in einem Cloud Storage-Bucket, auf den Ihr Projekt zugreifen kann. Dadurch kann der Trainingsdienst auf das Paket zugreifen und es in alle Trainingsinstanzen kopieren. Sie testen auch ein gespeichertes Modell, das an anderer Stelle in einem Cloud Storage-Bucket trainiert wurde, auf den Ihr Projekt zugreifen kann. Dadurch kann der Onlinevorhersagedienst auf das Paket zugreifen und es bereitstellen.
Exportieren
In dieser Dokumentation wird im Kontext von Modellen für maschinelles Lernen der Begriff Exportieren verwendet, um den Prozess der Serialisierung Ihres Berechnungsmodells und der Einstellungen in einer Datei zu bezeichnen. Zum Exportieren verwenden Sie das gespeicherte Modell und Objekte.
Bereitstellen
Das Bereitstellen einer Modellversion findet bei der Erstellung einer Versionsressource statt. Sie geben ein exportiertes Modell (eine Datei mit einem gespeicherten Modell) und eine Modellressource an, denen die Version zugeordnet werden soll. Cloud ML Engine hostet die Version, sodass Sie Vorhersagen an sie senden können.

Weitere Informationen

Hat Ihnen diese Seite weitergeholfen? Teilen Sie uns Ihr Feedback mit:

Feedback geben zu...

AI Platform für TensorFlow