Aprendizagem automática prática para visão computacional

Capítulo 9. Previsões do modelo

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: [e-mail]

O objetivo principal da formação de modelos de aprendizagem automática é poder utilizá-los para fazer previsões. Neste capítulo, vamos aprofundar várias considerações e opções de design envolvidas na implementação de modelos de ML treinados e na sua utilização para fazer previsões.

Dica

O código para este capítulo está na pasta 09_deploying do repositório GitHub do livro. Forneceremos nomes de arquivo para exemplos de código e notebooks quando aplicável.

Fazendo previsões

Para invocar um modelo treinado - ou seja, para o utilizar para fazer previsões - temos de carregar o modelo a partir do diretório para o qual foi exportado e chamar a assinatura de serviço. Nesta secção, veremos como fazer isto. Também veremos como melhorar a capacidade de manutenção e o desempenho dos modelos invocados.

Exportar o modelo

Para obter uma assinatura de serviço para invocar, nós devemos exportar nosso modelo treinado. Vamos recapitular rapidamente esses dois tópicos - exportação e assinaturas de modelo - que foram abordados com muito mais detalhes em "Salvando o estado do modelo" no Capítulo 7. Lembra que um modelo do Keras pode ser exportado (veja o notebook 07c_export.ipynb no GitHub) usando um código como este:

model.save('gs://practical-ml-vision-book/flowers_5_trained')

Salva o modelo no formato TensorFlow SavedModel. Discutimos o exame ...