知识卡片
训练服务可以分别部署
模型训练往往是离线作业;预测服务加载训练完成的模型后,可独立响应在线请求。书中Oryx例子把模型经HDFS交给服务层,说明训练框架不必成为每次预测的执行引擎。离线效率可与在线延迟分别评价,但还应考虑模型更新周期对服务新鲜度的影响。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 机器学习:范型与架构 · 查看原书依据
其运行流程为:首先将训练数据存入HDFS指定的目录下,计算层根据配置文件内容读取训练数据,然后使用特定参数配置的机器学习算法学习模型,并将习得的计算模型存入HDFS指定的目录下,这样即可完成训练过程。服务层加载习得的模型即可对外提供在线预测功能。
参考来源
- 位置:《大数据日知录:架构与算法》第15章《机器学习:范型与架构》(来源项目:book-sources;源文件:extracted/大数据日知录_架构与算法/_epub-src/OEBPS/text00020.html)
- 结论依据:原文在本章对训练服务可以分别部署给出的定义、机制或示例支持本卡;技术产品描述限于2014年书中版本,示例与实测区分。
- 原始内容:其运行流程为:首先将训练数据存入HDFS指定的目录下,计算层根据配置文件内容读取训练数据,然后使用特定参数配置的机器学习算法学习模型,并将习得的计算模型存入HDFS指定的目录下,这样即可完成训练过程。服务层加载习得的模型即可对外提供在线预测功能。