TensorFlow Extended (TFX) இல் உள்ள Pusher பாகமானது TFX பைப்லைனின் ஒரு அடிப்படைப் பகுதியாகும், இது பல்வேறு இலக்கு சூழல்களுக்கு பயிற்சியளிக்கப்பட்ட மாதிரிகளை அனுப்புவதைக் கையாளுகிறது. TFX இல் உள்ள புஷர் கூறுக்கான வரிசைப்படுத்தல் இலக்குகள் வேறுபட்டவை மற்றும் நெகிழ்வானவை, பயனர்கள் தங்கள் குறிப்பிட்ட தேவைகளைப் பொறுத்து வெவ்வேறு தளங்களில் தங்கள் மாதிரிகளை வரிசைப்படுத்த அனுமதிக்கிறது. இந்தப் பதிலில், புஷர் கூறுக்கான பொதுவான வரிசைப்படுத்தல் இலக்குகளில் சிலவற்றை ஆராய்வோம் மற்றும் ஒவ்வொன்றின் விரிவான விளக்கத்தையும் வழங்குவோம்.
1. உள்ளூர் வரிசைப்படுத்தல்:
புஷர் கூறு உள்ளூர் வரிசைப்படுத்தலை ஆதரிக்கிறது, இது பயனர்கள் தங்கள் பயிற்சி பெற்ற மாதிரிகளை உள்ளூர் கணினியில் பயன்படுத்த அனுமதிக்கிறது. சோதனை மற்றும் மேம்பாட்டு நோக்கங்களுக்காக இது பயனுள்ளதாக இருக்கும், அங்கு விநியோகிக்கப்பட்ட அமைப்பு அல்லது வெளிப்புற உள்கட்டமைப்பு தேவையில்லாமல் மாதிரியை வரிசைப்படுத்தலாம் மற்றும் மதிப்பீடு செய்யலாம். மாதிரி கலைப்பொருட்கள் சேமிக்கப்படும் உள்ளூர் பாதையை வெறுமனே குறிப்பிடுவதன் மூலம் உள்ளூர் வரிசைப்படுத்தல் அடையப்படுகிறது.
உதாரணமாக:
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. Google Cloud AI இயங்குதளம்:
மெஷின் லேர்னிங் மாடல்களை இயக்குவதற்கு சர்வர்லெஸ் சூழலை வழங்கும் நிர்வகிக்கப்பட்ட சேவையான கூகுள் கிளவுட் ஏஐ பிளாட்ஃபார்மில் பயன்படுத்துவதையும் புஷர் கூறு ஆதரிக்கிறது. பயனர்கள் தங்கள் மாடல்களை மேகக்கணியில் எளிதாகப் பயன்படுத்தவும், கூகுள் கிளவுட் வழங்கும் அளவிடுதல் மற்றும் நம்பகத்தன்மையைப் பயன்படுத்திக் கொள்ளவும் இது அனுமதிக்கிறது. Google Cloud AI இயங்குதளத்தில் பயன்படுத்த, பயனர்கள் திட்ட ஐடி, மாதிரி பெயர் மற்றும் பதிப்பு பெயரை வழங்க வேண்டும்.
உதாரணமாக:
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. TensorFlow சேவை:
டென்சர்ஃப்ளோ சர்விங் என்பது மெஷின் லேர்னிங் மாடல்களைப் பயன்படுத்துவதற்கான திறந்த மூல சேவை அமைப்பாகும். TFX இல் உள்ள புஷர் கூறு டென்சர்ஃப்ளோ சர்விங்கிற்கு வரிசைப்படுத்தலை ஆதரிக்கிறது, இது பயனர்கள் தங்கள் மாதிரிகளை விநியோகிக்கப்பட்ட சேவை உள்கட்டமைப்புக்கு பயன்படுத்த அனுமதிக்கிறது. இது உயர் செயல்திறன் மற்றும் அளவிடக்கூடிய மாதிரி சேவையை செயல்படுத்துகிறது, இது உற்பத்தி வரிசைப்படுத்தல்களுக்கு ஏற்றதாக அமைகிறது. டென்சர்ஃப்ளோ சர்விங்கில் பயன்படுத்த, பயனர்கள் டென்சர்ஃப்ளோ சர்விங் மாடல் சர்வரின் முகவரி மற்றும் போர்ட்டை வழங்க வேண்டும்.
உதாரணமாக:
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. பிற தனிப்பயன் வரிசைப்படுத்தல் இலக்குகள்:
TFX இல் உள்ள புஷர் கூறு நீட்டிக்கக்கூடியதாக வடிவமைக்கப்பட்டுள்ளது, பயனர்கள் தங்கள் சொந்த தனிப்பயன் வரிசைப்படுத்தல் இலக்குகளை வரையறுக்க அனுமதிக்கிறது. டென்சர்ஃப்ளோ மாடல்களைப் பயன்படுத்தக்கூடிய எந்தவொரு சூழல் அல்லது அமைப்புக்கும் தங்கள் மாதிரிகளை வரிசைப்படுத்த இது பயனர்களுக்கு நெகிழ்வுத்தன்மையை வழங்குகிறது. பயனர்கள் தங்களின் சொந்த விருப்பமான `PushDestination` துணைப்பிரிவைச் செயல்படுத்தலாம் மற்றும் அவர்களின் இலக்கு சூழலுக்கு வரிசைப்படுத்தலை செயல்படுத்த புஷர் கூறுகளுடன் பதிவு செய்யலாம்.
உதாரணமாக:
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') )
TFX இல் உள்ள புஷர் கூறு, உள்ளூர் வரிசைப்படுத்தல், Google Cloud AI இயங்குதளம், TensorFlow சேவை மற்றும் தனிப்பயன் வரிசைப்படுத்தல் இலக்குகள் உட்பட பல்வேறு வரிசைப்படுத்தல் இலக்குகளை ஆதரிக்கிறது. இந்த நெகிழ்வுத்தன்மை பயனர்கள் தங்களின் குறிப்பிட்ட தேவைகள் மற்றும் உள்கட்டமைப்பு அமைப்பைப் பொறுத்து வெவ்வேறு சூழல்களில் பயிற்சி பெற்ற மாதிரிகளை பயன்படுத்த அனுமதிக்கிறது.
தொடர்பான பிற சமீபத்திய கேள்விகள் மற்றும் பதில்கள் விநியோகிக்கப்பட்ட செயலாக்கம் மற்றும் கூறுகள்:
- TFX இல் மதிப்பீட்டாளர் கூறுகளின் நோக்கம் என்ன?
- பயிற்சியாளர் கூறு மூலம் உருவாக்கப்பட்ட இரண்டு வகையான SavedModels என்ன?
- டிரான்ஸ்ஃபார்ம் கூறு எவ்வாறு பயிற்சி மற்றும் சேவை சூழல்களுக்கு இடையே நிலைத்தன்மையை உறுதி செய்கிறது?
- TFX கட்டமைப்பில் அப்பாச்சி பீமின் பங்கு என்ன?