Machine learning pratico per la visione artificiale

Capitolo 9. Previsioni del modello

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: [e-mail]

Lo scopo principale dell'addestramento dei modelli di apprendimento automatico è quello di poterli utilizzare per fare previsioni. In questo capitolo faremo un'immersione profonda in diverse considerazioni e scelte progettuali legate all'implementazione di modelli di ML addestrati e al loro utilizzo per fare previsioni.

Suggerimento

Il codice di questo capitolo si trova nella cartella 09_deploying del repository GitHub del libro. Indicheremo i nomi dei file per gli esempi di codice e per i notebook, se necessario.

Fare previsioni

Per richiamare un modello addestrato - cioè per utilizzarlo per fare previsioni - dobbiamo caricare il modello dalla directory in cui è stato esportato e chiamare la firma di servizio. In questa sezione vedremo come fare. Vedremo anche come migliorare la manutenibilità e le prestazioni dei modelli invocati.

Esportare il modello

Per ottenere una firma di servizio da invocare, dobbiamo esportare il nostro modello addestrato. Riassumiamo rapidamente questi due argomenti - l'esportazione e le firme del modello - che sono stati trattati in modo molto più dettagliato in "Salvare lo stato del modello" nel Capitolo 7. Ricordiamo che un modello Keras può essere esportato (vedi il notebook 07c_export.ipynb su GitHub) utilizzando un codice come questo:

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