【问题标题】:What to do after you have trained your machine?训练完机器后该怎么办?
【发布时间】:2019-12-20 21:16:06
【问题描述】:

出于好奇,我学习了一些机器学习和深度学习教程,但奇怪的是,他们都没有提到训练好的模型接下来要做什么?

那么,如何处理经过训练的模型?它可以在网站上实现(例如与 Wordpress 集成)吗?

我正在使用 colab。

如果您有任何其他资源或教程要推荐,请分享。谢谢

【问题讨论】:

  • 经过训练的模型只有一个目的:使用它对某些数据的了解来预测相似数据的行为方式。你可以在许多不同的领域使用它——就像“这本书告诉我钢是如何制造的,但没有告诉我你能用它做什么”,太多的用途无法列出。 如何 准确地使用它在很大程度上取决于您的工具。如果您使用的是 Google Colaboratory,可能不会,因为它主要是一个交互式游乐场,但我对它不是很熟悉,这就是为什么您应该标记它 (google-colaboratory) 以吸引具有必要知识的回答者。
  • @Amadan 我确实在使用 Google Colaboratory 来尝试机器学习。虽然我相信它可以用于许多不同的领域,但至少知道一种部署方式将有助于让初学者更好地了解事情。添加了推荐标签。谢谢
  • welcome page 的底部有一个指向seedbank 的链接,该链接目前显示了 117 个“由 Colaboratory 实现的交互式机器学习分析的端到端示例”。请注意“交互式”——您应该在 Colab 操场上学习,然后获取知识(可能还有经过训练的模型)并在您自己的服务器上使用您的新 Python 技能,以便在操场外实际使用机器学习。

标签: machine-learning deep-learning google-colaboratory training-data


【解决方案1】:

模型建立后,进一步的步骤包括:

  • 保存机器学习模型(腌制模型) (在 Python 中,酸洗是存储对象并将其检索为原始状态的标准方法)
  • 使用 Flask 创建 API 并将其部署(例如,在 Azure 或 AWS 上)。
  • 部署成功后,使用输入数据(特征变量)访问其余 API 并获取输出(预测值)。

可以在here找到执行上述步骤的教程。

【讨论】:

  • 谢谢!这有帮助
【解决方案2】:

正如@Parshant 所说,下一步将是部署(服务)模型

对于 tensorflow,你可以看看 tfx https://www.tensorflow.org/tfx/guide/serving

对于 pytorch,您可以查看使用 flask https://pytorch.org/tutorials/intermediate/flask_rest_api_tutorial.html 进行部署

【讨论】:

  • 感谢您的链接!
猜你喜欢
  • 1970-01-01
  • 2017-12-22
  • 2018-12-30
  • 2017-01-29
  • 2014-09-05
  • 2013-12-17
  • 2020-09-28
  • 2016-09-30
  • 1970-01-01
相关资源
最近更新 更多