TensorFlow Extended (TFX) ရှိ Pusher အစိတ်အပိုင်းသည် TFX ပိုက်လိုင်း၏ အခြေခံအစိတ်အပိုင်းတစ်ခုဖြစ်ပြီး လေ့ကျင့်သင်ကြားထားသော မော်ဒယ်များကို ပစ်မှတ်ပတ်ဝန်းကျင်အမျိုးမျိုးသို့ ဖြန့်ကျက်လုပ်ဆောင်ပေးသည်။ TFX ရှိ Pusher အစိတ်အပိုင်းအတွက် ဖြန့်ကျက်ပစ်မှတ်များသည် ကွဲပြားပြီး လိုက်လျောညီထွေရှိပြီး အသုံးပြုသူများအား ၎င်းတို့၏ သီးခြားလိုအပ်ချက်များပေါ်မူတည်၍ ၎င်းတို့၏မော်ဒယ်များကို မတူညီသောပလပ်ဖောင်းများသို့ ဖြန့်ကျက်ခွင့်ပြုသည်။ ဤအဖြေတွင်၊ Pusher အစိတ်အပိုင်းအတွက် ဘုံဖြန့်ကျက်မှုပစ်မှတ်အချို့ကို လေ့လာပြီး တစ်ခုစီ၏ ကျယ်ကျယ်ပြန့်ပြန့် ရှင်းလင်းချက်ကို ပေးပါမည်။
1. ဒေသတွင်း ဖြန့်ကျက်မှု-
Pusher အစိတ်အပိုင်းသည် အသုံးပြုသူများအား ၎င်းတို့၏လေ့ကျင့်သင်ကြားထားသော မော်ဒယ်များကို စက်တွင်းစက်တွင် အသုံးချနိုင်စေသည့် ဒေသဆိုင်ရာအသုံးချမှုကို ပံ့ပိုးပေးသည်။ ဖြန့်ဝေသည့်စနစ် သို့မဟုတ် ပြင်ပအခြေခံအဆောက်အအုံမလိုအပ်ဘဲ မော်ဒယ်ကို လက်တွေ့အသုံးချပြီး အကဲဖြတ်နိုင်သည့် စမ်းသပ်ခြင်းနှင့် ဖွံ့ဖြိုးတိုးတက်ရေးရည်ရွယ်ချက်များအတွက် ၎င်းသည် အသုံးဝင်သည်။ မော်ဒယ် ရှေးဟောင်းပစ္စည်းများ သိမ်းဆည်းသည့် ဒေသလမ်းကြောင်းကို ရိုးရှင်းစွာ သတ်မှတ်ခြင်းဖြင့် ဒေသတွင်း ဖြန့်ကျက်မှုကို အောင်မြင်သည်။
ဥပမာ:
python pusher = Pusher( model=trainer.outputs['model'], model_blessing=evaluator.outputs['blessing'], push_destination=pusher_pb2.PushDestination( filesystem=pusher_pb2.PushDestination.Filesystem( base_directory='/path/to/local/deployment' ) ) )
2. Google Cloud AI ပလပ်ဖောင်း-
Pusher အစိတ်အပိုင်းသည် စက်သင်ယူမှုမော်ဒယ်များ လုပ်ဆောင်ရန်အတွက် ဆာဗာမဲ့ပတ်ဝန်းကျင်ကို ပံ့ပိုးပေးသည့် စီမံခန့်ခွဲမှုဝန်ဆောင်မှုဖြစ်သည့် Google Cloud AI Platform သို့ ဖြန့်ကျက်မှုကိုလည်း ပံ့ပိုးပေးပါသည်။ ၎င်းသည် သုံးစွဲသူများအား ၎င်းတို့၏ မော်ဒယ်များကို cloud တွင် အလွယ်တကူ အသုံးချနိုင်ပြီး Google Cloud မှ ပေးဆောင်သော အတိုင်းအတာနှင့် ယုံကြည်စိတ်ချရမှုတို့ကို အခွင့်ကောင်းယူနိုင်စေပါသည်။ Google Cloud AI Platform သို့ အသုံးချရန်၊ အသုံးပြုသူများသည် ပရောဂျက် ID၊ မော်ဒယ်အမည်နှင့် ဗားရှင်းအမည်တို့ကို ပေးဆောင်ရန် လိုအပ်သည်။
ဥပမာ:
python pusher = Pusher( model=trainer.outputs['model'], model_blessing=evaluator.outputs['blessing'], push_destination=pusher_pb2.PushDestination( ai_platform_push=pusher_pb2.PushDestination.AIPlatformPush( project_id='my-project', model_id='my-model', version_id='v1' ) ) )
3. TensorFlow ဝန်ဆောင်မှုပေးခြင်း-
TensorFlow Serving သည် စက်သင်ယူမှု မော်ဒယ်များကို အသုံးချရန်အတွက် open-source ဝန်ဆောင်မှုစနစ်တစ်ခုဖြစ်သည်။ TFX ရှိ Pusher အစိတ်အပိုင်းသည် TensorFlow Serving သို့ ဖြန့်ကျက်မှုကို ပံ့ပိုးပေးပြီး အသုံးပြုသူများအား ၎င်းတို့၏ မော်ဒယ်များကို ဖြန့်ဝေဝန်ဆောင်မှုပေးသည့် အခြေခံအဆောက်အအုံသို့ အသုံးချနိုင်စေမည်ဖြစ်သည်။ ၎င်းသည် စွမ်းဆောင်ရည်မြင့်ပြီး အရွယ်တင်နိုင်သော မော်ဒယ်ဝန်ဆောင်မှုကို ပေးစွမ်းနိုင်သောကြောင့် ထုတ်လုပ်မှု ဖြန့်ကျက်ခြင်းများအတွက် သင့်လျော်စေသည်။ TensorFlow Serving သို့ အသုံးချရန်၊ အသုံးပြုသူများသည် TensorFlow Serving မော်ဒယ်လ် ဆာဗာ၏ လိပ်စာနှင့် ဆိပ်ကမ်းကို ပေးဆောင်ရန် လိုအပ်သည်။
ဥပမာ:
python pusher = Pusher( model=trainer.outputs['model'], model_blessing=evaluator.outputs['blessing'], push_destination=pusher_pb2.PushDestination( tensorflow_serving=pusher_pb2.PushDestination.TensorFlowServing( tags=['serve'], server='localhost:8500' ) ) )
4. အခြားစိတ်ကြိုက် ဖြန့်ကျက်ပစ်မှတ်များ-
TFX ရှိ Pusher အစိတ်အပိုင်းသည် အသုံးပြုသူများအား ၎င်းတို့၏ စိတ်ကြိုက် ဖြန့်ကျက်မှု ပစ်မှတ်များကို သတ်မှတ်ရန် ခွင့်ပြုထားပြီး ချဲ့ထွင်နိုင်စေရန် ဒီဇိုင်းထုတ်ထားသည်။ ၎င်းသည် အသုံးပြုသူများအား TensorFlow မော်ဒယ်များကို စားသုံးနိုင်သည့် မည်သည့်ပတ်ဝန်းကျင် သို့မဟုတ် စနစ်တွင်မဆို ၎င်းတို့၏မော်ဒယ်များကို အသုံးချရန် ပျော့ပြောင်းမှုကိုပေးသည်။ အသုံးပြုသူများသည် ၎င်းတို့၏ စိတ်ကြိုက် `PushDestination` အမျိုးအစားခွဲခွဲများကို အကောင်အထည်ဖော်နိုင်ပြီး ၎င်းတို့၏ ပစ်မှတ်ပတ်ဝန်းကျင်သို့ ဖြန့်ကျက်လုပ်ဆောင်နိုင်စေရန် Pusher အစိတ်အပိုင်းဖြင့် မှတ်ပုံတင်နိုင်သည်။
ဥပမာ:
python class MyCustomPushDestination(pusher_pb2.PushDestination): def __init__(self, my_custom_arg): self.my_custom_arg = my_custom_arg pusher = Pusher( model=trainer.outputs['model'], model_blessing=evaluator.outputs['blessing'], push_destination=MyCustomPushDestination(my_custom_arg='custom_value') )
TFX ရှိ Pusher အစိတ်အပိုင်းသည် ဒေသတွင်းဖြန့်ကျက်မှု၊ Google Cloud AI ပလပ်ဖောင်း၊ TensorFlow ဝန်ဆောင်မှုနှင့် စိတ်ကြိုက်အသုံးချမှုပစ်မှတ်များအပါအဝင် အမျိုးမျိုးသော ဖြန့်ကျက်ပစ်မှတ်များကို ပံ့ပိုးပေးပါသည်။ ဤပြောင်းလွယ်ပြင်လွယ်သည် အသုံးပြုသူများအား ၎င်းတို့၏ သီးခြားလိုအပ်ချက်များနှင့် အခြေခံအဆောက်အအုံတည်ဆောက်မှုအပေါ် မူတည်၍ ၎င်းတို့၏လေ့ကျင့်ထားသောမော်ဒယ်များကို မတူညီသောပတ်ဝန်းကျင်များတွင် အသုံးချနိုင်စေပါသည်။
အခြား လတ်တလောမေးခွန်းများနှင့် အဖြေများ ဖြန့်ဝေအပြောင်းအလဲနဲ့နှင့်အစိတ်အပိုင်းများ:
- TFX ရှိ အကဲဖြတ်သူ အစိတ်အပိုင်း၏ ရည်ရွယ်ချက်ကား အဘယ်နည်း။
- Trainer အစိတ်အပိုင်းမှ ထုတ်ပေးသော SavedModels အမျိုးအစား နှစ်မျိုးမှာ အဘယ်နည်း။
- Transform အစိတ်အပိုင်းသည် လေ့ကျင့်ရေးနှင့် ဝန်ဆောင်မှုပေးသည့် ပတ်ဝန်းကျင်ကြား ညီညွတ်မှုကို မည်သို့သေချာစေသနည်း။
- TFX မူဘောင်တွင် Apache Beam ၏အခန်းကဏ္ဍကဘာလဲ။