Proyectos, modelos, versiones y trabajos

Muchos términos en aprendizaje automático (AA) significan elementos diferentes en contextos diferentes. En esta sección, se definen algunos términos como 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 múltiples proyectos de GCP.
Modelo
En AA, un modelo representa la solución de un problema que estés tratando de resolver. En otras palabras, es la guía 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, digamos que el problema que quieres resolver es predecir el precio de venta de las casas con un conjunto de datos dado sobre ventas anteriores. Creas un modelo en Cloud ML Engine llamado housing_prices y tratas varias técnicas de aprendizaje automático para resolver el problema. En cada etapa, puedes implementar versiones de ese modelo. Cada versión puede ser completamente diferente a las otras, pero puedes organizarlas bajo el mismo modelo si se adaptan a tu flujo de trabajo.
Modelo entrenado
Un modelo entrenado incluye el estado de tu modelo computacional y tu configuración después del entrenamiento.
Modelo guardado
La mayoría de los marcos de trabajo de 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 solo una versión, es una instancia de una solución de aprendizaje automático almacenada en el servicio de modelos de Cloud ML Engine. Tú 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 regulares que muestran una respuesta lo más rápido posible. Los trabajos son operaciones de larga ejecución que se procesan de forma asíncrona. Cloud ML Engine ofrece trabajos de capacitación y trabajos de predicción por lotes. Envías una solicitud para iniciar el trabajo y obtienes una respuesta rápida que verifica el estado del trabajo. Puedes solicitar luego el estado periódicamente para realizar un seguimiento del progreso de tu trabajo.

Empaqueta, habilita a etapa, implementa y exporta modelos

Mueve 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
Empaqueta tu aplicación de entrenamiento para que el servicio de capacitación 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
Habilita a etapa tu paquete de aplicaciones de capacitación en un depósito de Cloud Storage al que tu proyecto tiene acceso. Esto permite que el servicio de capacitación acceda al paquete y lo copie en todas las instancias de capacitación. 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 palabra exportación para referirse al proceso de serializar tu modelo computacional y la configuración que quieres archivar. En las exportaciones, se usan tus objetos y modelos guardados.
Implementar
Implementa una versión del modelo cuando crees un recurso de versión. Especifica un modelo exportado (un archivo del modelo guardado) y un recurso del modelo para asignar la versión, y Cloud ML Engine aloja la versión a fin de que puedas enviarle predicciones.

¿Qué sigue?

¿Te sirvió esta página? Envíanos tu opinión:

Enviar comentarios sobre…

Cloud ML Engine para TensorFlow