專案、模型、版本與工作

在機器學習 (ML) 中,許多詞彙在不同情況下會代表不同的意思。本節會定義這份說明文件中使用的一些詞彙。

專案、模型、版本與工作

專案
「專案」代表您的 Google Cloud Platform 專案,這個邏輯容器適用於您部署的模型和工作。每個用來開發 AI Platform 解決方案的專案都必須啟用 AI Platform。您的 Google 帳戶可以成為多個 GCP 專案的成員。
模型
在機器學習中,「模型」代表您嘗試解決某個問題時使用的解決方案。換句話說,這是透過資料來預測值的方案。在 AI Platform 中,模型是該解決方案個別版本的邏輯容器。舉例來說,假如您想解決的問題是:根據先前的一組銷售資料來預測房屋的銷售價格。您可以在 AI Platform 中建立名為 housing_prices 的模型,然後試著使用多種機器學習技術來解決問題。您可以在每個階段部署該模型的版本。每個版本可以和其他版本完全不同,但如果適合您的工作流程,您可以在同一個模型中進行管理。
經過訓練的模型
「經過訓練的模型」包含訓練後的計算模型狀態及其設定。
已儲存的模型
大多數的機器學習架構可以序列化代表已訓練模型的資訊,並建立「已儲存的模型」檔案,供您在雲端中部署預測功能。
模型版本
「模型版本」或「版本」都代表機器學習解決方案的執行個體;這個執行個體會儲存在 AI Platform 模型服務中。將序列化的已訓練模型以「已儲存模型」的形式傳送給服務,即可製作版本。建立版本時,您也可以提供自訂程式碼 (Beta 版) 來處理預測。
工作
您可以透過啟動「要求」和「工作」的方式,與 AI Platform 的服務互動。「要求」是指會盡快傳回回應的一般網路 API 要求。「工作」是指長時間執行的非同步處理作業。AI Platform 提供訓練工作和批次預測工作。提交要求即可啟動工作,並取得驗證工作狀態的快速回應。接著,您可以定期要求狀態來追蹤工作進度。

封裝、暫存、匯出與部署模型

您可以移動模型和資料,尤其是在本機環境和 Cloud Storage 之間,以及 Cloud Storage 和 AI Platform 服務之間。本說明文件使用下列詞彙代表處理程序中的特定作業。

封裝
您可以「封裝」訓練應用程式,如此一來,AI Platform 訓練服務就可以在每個訓練執行個體中進行安裝。您可以將應用程式封裝為標準 Python 發行版本套件。部署用於預測的自訂程式碼 (Beta 版) 時,您也可以封裝程式碼來處理預測。
暫存
您可以將訓練應用程式套件「暫存」在專案可存取的 Cloud Storage 值區中。如此一來,訓練服務可存取套件,並將其複製到所有的訓練執行個體中。您也可以將在其他位置訓練的「已儲存的模型」暫存在專案可存取的 Cloud Storage 值區中。這項作業可讓線上預測服務存取及部署模型。如果您部署用於預測的自訂程式碼 (Beta 版),也可以將自訂程式碼套件暫存於 Cloud Storage,讓線上預測服務能在部署期間存取這個套件。
匯出
在機器學習的結構定義中,這份說明文件使用「匯出」代表將計算模型和設定序列化為檔案的程序。您可以使用已儲存的模型和物件來執行匯出作業。
部署
您可以在建立版本資源時「部署」模型版本。您可以指定已匯出的模型 (已儲存的模型目錄) 以及要將該版本指派給哪一個模型資源,該版本會在 AI Platform 託管,讓您將預測資料傳送給該版本。部署用於預測的自訂程式碼 (Beta 版) 時,您也可以在部署期間提供自訂程式碼套件。

後續步驟

本頁內容對您是否有任何幫助?請提供意見:

傳送您對下列選項的寶貴意見...

這個網頁
TensorFlow 適用的 AI Platform