Aprendizaje automático práctico para visión por ordenador

Capítulo 9. Predicciones del modelo

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

El objetivo principal de entrenar modelos de aprendizaje automático es poder utilizarlos para hacer predicciones. En este capítulo, profundizaremos en varias consideraciones y opciones de diseño implicadas en la implementación de modelos de ML entrenados y en su uso para hacer predicciones.

Consejo

El código de este capítulo está en la carpeta 09_deploying del repositorio GitHub del libro. Proporcionaremos los nombres de archivo de los ejemplos de código y de los cuadernos cuando proceda.

Hacer predicciones

Para invocar un modelo entrenado -es decir, para utilizarlo para hacer predicciones- tenemos que cargar el modelo desde el directorio al que se exportó y llamar a la firma servidora. En esta sección veremos cómo hacerlo. También veremos cómo mejorar el mantenimiento y el rendimiento de los modelos invocados.

Exportar el modelo

Para obtener una firma de servicio que invocar, debemos exportar nuestro modelo entrenado. Recapitulemos rápidamente estos dos temas -exportación y firmas del modelo- que se trataron con mucho más detalle en "Guardar el estado del modelo", en el capítulo 7. Recordemos que un modelo Keras puede exportarse (véase el cuaderno 07c_export.ipynb en GitHub) utilizando un código como el siguiente:

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

Esto guarda el modelo en formato TensorFlow SavedModel. ...