Einführung
Optimieren Sie die Modellbewertung, indem Sie die entsprechende Rückschlussstrategie in Azure Machine Learning auswählen.
Angenommen, Sie sind wissenschaftliche Fachkraft für Daten und sind bei einem Fertigungsunternehmen angestellt. Da Ihr Unternehmen mit schweren Geräten arbeitet, hat die Sicherheit oberste Priorität.
Das Sicherheitsüberwachungsteam installierte Kameras in Bereichen, in denen ein hohes Risiko für unsichere Situationen besteht, beispielsweise wenn Personen in der Nähe von gefährlichen Maschinen keine Helme tragen. Das Team hat Sie gebeten, ein Modell zu trainieren, das Objekte wie Helme und Maschinen identifiziert, damit Warnungen gesendet werden können, wenn ein Sicherheitsrisiko erkannt wird.
Zum Trainieren rechenintensiver Modelle (z. B. eines Modells für maschinelles Sehen) ist bereits viel Rechenleistung erforderlich. Wenn Sie ein trainiertes Modell bereitstellen möchten, um Echtzeit- oder Batchvorhersagen zu erhalten, müssen Sie die entsprechende Bereitstellungskonfiguration auswählen, um eine optimale Leistung zu erzielen.
Nach diesem Modul können Sie eine Rückschlussstrategie entwerfen und ausführen, um rechenintensive Modelle bereitzustellen.
Lernziele
In diesem Modul lernen Sie Folgendes:
- Auswählen der geeigneten Rückschlussstrategie
- Optimieren der Modellbewertung mit ONNX
- Bereitstellen von Triton als verwalteten Onlineendpunkt