
264
살아 움직이는 머신러닝 파이프라인 설계
instance_name=’production_model’)
evaluator_trial_model = Evaluator(
examples=example_gen.outputs[‘examples’],
model=trainer_trial_model.outputs[‘model’],
eval_config=eval_config_trial_model,
instance_name=’trial_model’)
...
이 절에서 살펴본 바와 같이,
TFX
를 사용하여 상당히 복잡한 파이프라인 시나리오를 조립할
수 있습니다. 다음 절에서는
TFLite
를 사용하여 모바일 배포용 모델을 내보내기 위한 학습 설
정을 수정하는 방법을 설명합니다.
10.1.2
TFLite
모델 내보내기
모바일 구현은 머신러닝 모델에서 중요한 플랫폼이 되었습니다. 머신러닝 파이프라인은 모바일
을 위한 일관된 배포를 지원합니다. 모델 서버(예:
8
장에서 설명한 텐서플로 서빙 )로의 배포와
비교해서 모바일 배포에 필요한 변경 사항은 거의 없습니다. 이를 통해 모바일 및 서버 모델을
지속해서 업데이트하고 모델 소비자가 서로 다른 기기에서 일관된 경험을 할 수 있습니다.
NOTE
_
TFLite
제한 사항
모바일과 에지 장치의 하드웨어 제한 때문에
TFLite
는 모든 텐서플로 ...