TensorFlow в производстве: Как переучить свои модели

Question

У меня есть вопрос, связанный с этим один:

TensorFlow in production for real time predictions in high traffic app - how to use?

Я хочу, чтобы настроить TensorFlow сервировки сделать вывод как услуга для нашего другого приложения. Я вижу, как TensorFlow Service помогает мне это делать. Кроме того, в нем упоминается continuous training pipeline, что, вероятно, связано с возможностью обслуживания TensorFlow Service с несколькими версиями обучаемой модели. Но я не уверен, как переучивать вашу модель, когда вы получаете новые данные. В другом сообщении упоминается идея переподготовки с заданиями cron. Однако я не уверен, что автоматическая переподготовка - хорошая идея. Какую архитектуру вы бы предложили для непрерывного переподготовки трубопровода с системой, постоянно сталкивающейся с новыми, помеченными данными?

Редактировать: Это контролируемый учебный случай. Вопрос в том, будет ли вы автоматически переучивать свою модель после того, как в нее войдут n новых точек данных, или вы переучитесь во время простоя клиента автоматически или просто переучитесь вручную?

Answer 1

Возможно, вы захотите использовать какое-то полуподконтрольное обучение. В этой области есть довольно обширные исследования.

Грубый, но целесообразный способ, который хорошо работает, заключается в использовании современных лучших моделей, которые вы должны маркировать новыми входящими данными. Модели, как правило, могут производить оценку (надеюсь, logprob). Вы можете использовать этот балл, чтобы тренировать только данные, которые подходят хорошо.

Это подход, который мы использовали для распознавания речи и является отличной базой.