首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

《Scikit-Learn、Keras与TensorFlow机器学习实用指南(第二版)》第19章 规模化训练和部署TensorFlow模型

有了能做出惊人预测的模型之后,要做什么呢?当然是部署生产了。这只要用模型运行一批数据就成,可能需要写一个脚本让模型每夜都跑着。但是,现实通常会更复杂。系统基础组件都可能需要这个模型用于实时数据,这种情况需要将模型包装成网络服务:这样的话,任何组件都可以通过REST API询问模型。随着时间的推移,你需要用新数据重新训练模型,更新生产版本。必须处理好模型版本,平稳地过渡到新版本,碰到问题的话需要回滚,也许要并行运行多个版本做AB测试。如果产品很成功,你的服务可能每秒会有大量查询,系统必须提升负载能力。提升负载能力的方法之一,是使用TF Serving,通过自己的硬件或通过云服务,比如Google Cloud API平台。TF Serving能高效服务化模型,优雅处理模型过渡,等等。如果使用云平台,还能获得其它功能,比如强大的监督工具。

02

Keil Studio已经确定为MDK下一代开发工具,更多功能将在今年年底上线

说明: 1、去年MDK搞了一波调研活动,各种送礼品,应该就是为这个准备的。 根据KEIL的介绍,KEIL Studio的完全体应该是这样的:支持浏览器版,桌面版,并且支持通过IDE和命令行连续集成。面向物联网,机器学习和单片机 2、现在Keil Studio的第一个组件Keil Studio Cloud已经开始beta版测评,支持在浏览器上添加软件包,编辑,调试和Git。 (1)用户可以在浏览器直接远程连接桌面版IDE。 (2)直接集成Git,支持团队协作开发和现代 CI 工作流。 (3)灵活的在线编译器最早是在Mbed上推出的,现在全面加入Keil Studio。 (4)针对物联网,推出OTA编程,测试和更新一条龙。 (5)针对机器学习,让M内核物联网节点直接对采集数据做计算。

01
领券