模型更新
定义内涵
本节的模型更新是指在模型训练完成并正式上线后，由运维人员采集并提供新的数据对
原有模型进行再训练、更新参数的过程。
技术背景
随着时间的推移，由于周期性事件、突变等状况的发生，当下的数据集和之前用于训练模型的数据集分布可能不再一致，这种现象被称为数据分布漂移。由于数据分布漂移现象的存在，基于过往数据训练的模型在推理上的准确性受到了影响，不再适用于当下数据上的任务，因此需要对模型进行更新。
在监控到生产数据分布发生变化后，ModelOps 提供两种主流模型更新服务：
● 全量更新。在所有数据上对模型进行重新训练，这种更新方式保障模型学习到更全面的分布，最大限度提高模型准确率。
● 增量更新 / 微调。在新数据上对模型进行微调，这种更新方式对计算资源的需求更小，模型的更新速度也更快，但在实际应用场景中，微调无法像全量更新那样提供更好的模型性能 。
思路方案
和模型推理类似，SecXOps 支持封装模型更新模块，通过模块对应的镜像创建容器，将http://github5.com/search?f=p&wd=关键技术
代码、数据和模型挂载到容器中，进行模型的更新操作。
SecXOps 为模型更新服务开发了一个 python 的 SDK，允许用户通过调用 SDK 中的函数，
将训练过程的评价指标输出，在前端进行可视化的展示，如下图所示
图上的横坐标表示用户选择输出的轮次序号，纵坐标表示输出的指标，这里的指标提供
多种选择，如精确度、召回率等等。通过折线图的对比，用户可以实时观测到更新结果，并
选择在合适的位置停止。用户可以通过模块中封装的相关参数，选择保存模型的方式，保存
下来的模型最终会存储在原有模型的仓库中，作为一个新的版本
参考资料
友情链接
GB-T 34953.2-2018 信息技术 安全技术匿名
标签：训练,数据,模型,更新,地址,数据分布,白皮书,SecXOps From： https://blog.51cto.com/baidu666/5965919