Praktisches maschinelles Lernen für Computer Vision

Kapitel 9. Modellvorhersagen

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Der Hauptzweck des Trainings von Machine-Learning-Modellen besteht darin, sie für Vorhersagen nutzen zu können. In diesem Kapitel befassen wir uns eingehend mit verschiedenen Überlegungen und Designentscheidungen, die beim Einsatz trainierter ML-Modelle und deren Verwendung für Vorhersagen eine Rolle spielen.

Tipp

Der Code für dieses Kapitel befindet sich im Ordner 09_deploying im GitHub-Repository des Buches. Wir geben die Dateinamen für die Code-Beispiele und die Notizbücher an, wenn sie zutreffen.

Vorhersagen treffen

Um ein trainiertes Modell aufzurufen, d. h. um es für Vorhersagen zu nutzen, müssen wir das Modell aus dem Verzeichnis laden, in das es exportiert wurde, und die Serving-Signatur aufrufen. In diesem Abschnitt werden wir uns ansehen, wie das geht. Außerdem werden wir uns ansehen, wie wir die Wartbarkeit und Leistung der aufgerufenen Modelle verbessern können.

Das Modell exportieren

Um eine Serversignatur zu erhalten, die wir aufrufen können, müssen wir unser trainiertes Modell exportieren. Rekapitulieren wir kurz diese beiden Themen - Export und Modellsignaturen -, die in Kapitel 7 unter "Speichern des Modellstatus" ausführlich behandelt wurden. Erinnere dich daran, dass ein Keras-Modell mit folgendem Code exportiert werden kann (siehe das Notebook 07c_export.ipynb auf GitHub):

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