
190
살아 움직이는 머신러닝 파이프라인 설계
from
tfx.components
import
Pusher
from
tfx.proto
import
pusher_pb2
_serving_model_dir = “serving_model_dir”
pusher = Pusher(
model=trainer.outputs[‘model’],
model_blessing=evaluator.outputs[‘blessing’],
push_destination=pusher_pb2.PushDestination(
filesystem=pusher_pb2.PushDestination.Filesystem(
base_directory=_serving_model_dir)))
context.run(pusher)
새 모델을 서빙 디렉터리에 밀어 넣으면 텐서플로 서빙에서 새 모델을 선택할 수 있습니다. 자
세한 내용은 다음 장을 참고하세요.
7.6
요약
이번 장에서는 모델 학습을 할 때보다 모델 성능을 훨씬 더 자세히 분석하는 방법을 살펴보고,
모델 성능을 공정하게 만드는 방법을 고민하기 시작했습니다. 또한 모델 성능이 이전에 구축된
모델보다 향상되었는지 확인하는 프로세스도 살펴봤습니다. 머신러닝에 대한 설명 가능성을
소개하고 몇 가지 관련 기술을 간략하게 설명했습니다.
그러나 공정성 지표를 사용하여