په TensorFlow Extended (TFX) کې د Pusher برخه د TFX پایپ لاین بنسټیز برخه ده چې مختلف هدف چاپیریال ته د روزل شوي ماډلونو ځای په ځای کول اداره کوي. په TFX کې د Pusher برخې لپاره د ګمارنې اهداف متنوع او انعطاف وړ دي، کاروونکو ته اجازه ورکوي چې خپل ماډلونه د دوی ځانګړو اړتیاو پراساس مختلف پلیټ فارمونو ته ځای په ځای کړي. په دې ځواب کې، موږ به د پشر برخې لپاره د ګمارنې ځینې عام هدفونه وپلټئ او د هر یو جامع توضیحات وړاندې کړو.
1. محلي ګمارنه:
د پشر برخه د ځایی ګمارنې ملاتړ کوي، کوم چې کاروونکو ته اجازه ورکوي چې خپل روزل شوي ماډلونه په محلي ماشین کې ځای پرځای کړي. دا د ازموینې او پراختیا اهدافو لپاره ګټور دی ، چیرې چې ماډل د توزیع شوي سیسټم یا بهرني زیربنا اړتیا پرته ځای په ځای کیدی شي او ارزول کیدی شي. ځایی ګمارنه په ساده ډول د محلي لارې په ټاکلو سره ترلاسه کیږي چیرې چې ماډل هنري اثار ساتل کیږي.
مثال:
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. د ګوګل کلاوډ AI پلیټ فارم:
د پشر برخه د ګوګل کلاوډ AI پلیټ فارم ته د ګمارنې ملاتړ هم کوي، یو اداره شوی خدمت چې د ماشین زده کړې ماډلونو چلولو لپاره بې سرور چاپیریال چمتو کوي. دا کاروونکو ته اجازه ورکوي چې په اسانۍ سره خپل ماډلونه کلاوډ ته ځای په ځای کړي او د ګوګل کلاوډ لخوا وړاندیز شوي توزیع او اعتبار څخه ګټه پورته کړي. د ګوګل کلاوډ AI پلیټ فارم ته د ځای په ځای کولو لپاره ، کارونکي اړتیا لري د پروژې ID ، ماډل نوم ، او نسخه نوم چمتو کړي.
مثال:
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. د TensorFlow خدمت کول:
TensorFlow خدمت کول د ماشین زده کړې ماډلونو پلي کولو لپاره د خلاصې سرچینې خدمت کولو سیسټم دی. په TFX کې د Pusher برخه د TensorFlow خدمت کولو لپاره د ګمارنې ملاتړ کوي، کاروونکو ته اجازه ورکوي چې خپل ماډلونه د توزیع شوي خدمت کولو زیربنا ته ځای په ځای کړي. دا د لوړ فعالیت او توزیع وړ ماډل خدمت کولو وړ کوي ، دا د تولید پلي کولو لپاره مناسب کوي. د TensorFlow Serving ته د ځای په ځای کولو لپاره، کاروونکي باید د TensorFlow Serving ماډل سرور پته او بندر چمتو کړي.
مثال:
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. د ګمرکي ګمارنې نورې موخې:
په TFX کې د پشر برخه ډیزاین شوې چې د توزیع وړ وي، کاروونکو ته اجازه ورکوي چې خپل د ګمرک ګمارنې اهداف تعریف کړي. دا کاروونکو ته انعطاف ورکوي چې خپل ماډلونه هر چاپیریال یا سیسټم ته ځای په ځای کړي چې کولی شي د TensorFlow ماډلونه مصرف کړي. کاروونکي کولی شي خپل دودیز 'PushDestination' فرعي ټولګي پلي کړي او د Pusher برخې سره یې راجستر کړي ترڅو د دوی هدف چاپیریال ته ځای په ځای کولو وړ کړي.
مثال:
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') )
په TFX کې د Pusher برخه د ځای پرځای کولو مختلف اهدافو ملاتړ کوي ، پشمول د ځایی ګمارنې ، د ګوګل کلاوډ AI پلیټ فارم ، TensorFlow خدمت کول ، او د ګمرک ګمارنې هدفونه. دا انعطاف کاروونکو ته اجازه ورکوي چې خپل روزل شوي ماډلونه مختلف چاپیریالونو ته د دوی ځانګړي اړتیاو او زیربنا تنظیم کولو پورې اړه ولري.
په اړه نورې وروستۍ پوښتنې او ځوابونه د پروسس او اجزاو توزیع:
- په TFX کې د ارزونکي برخې هدف څه دی؟
- د روزونکي برخې لخوا رامینځته شوي دوه ډوله خوندي شوي ماډلونه کوم دي؟
- د ټرانسفارم اجزا څنګه د روزنې او خدمت کولو چاپیریالونو ترمینځ دوام تضمینوي؟
- د TFX چوکاټ کې د اپاچی بیم رول څه دی؟