Hamza harkous, école polytechnique fédérale de Lausanne (EPFL); Kassem Fawaz, Université du Wisconsin-Madison; Rémi Lebret, école polytechnique fédérale de Lausanne (EPFL); Florian Schaub et Kang G. Shin, Université du Michigan; Karl Aberer, école polytechnique fédérale de Lausanne (EPFL) Toutefois, en ajoutant la couche incorporation à votre modèle, vous économiserez le mot «incorporations» à côté de votre modèle. C`est très bien si vous avez affaire à quelques modèles. Dans les environnements de production, cependant, vous pouvez avoir plusieurs modèles, tous utilisant des incorporations préformées congelées. Dans ce cas, vous allez dupliquer les incorporations dans tous les modèles. Cela entraîne une augmentation des ordres de grandeur dans le stockage sur disque et dans l`utilisation de RAM beaucoup plus élevée. Maintenant, nous sommes hors de la mise à l`échelle de notre serveur d`applications simple. uWSGI sera la clé ici. Il communique avec notre application Flask en appelant l`application d`objet Callable dans le fichier app.py. uWSGI inclut la plupart des fonctionnalités de parallélisation que nous sommes après. Son fichier de configuration se présente comme suit: ce fichier contient des informations supplémentaires telles que les métadonnées EXIF qui peuvent avoir été ajoutées par l`appareil photo numérique, le scanner ou le logiciel utilisé pour la créer ou la numériser. Si le fichier a été modifié à partir de son état d`origine, certains détails tels que l`horodatage peuvent ne pas refléter entièrement ceux du fichier d`origine.

L`horodatage est seulement aussi précis que l`horloge dans la caméra, et il peut être complètement faux. Ensuite, nous devons installer Anaconda en suivant les instructions sur le site officiel, qui consistent à télécharger l`exécutable, l`exécuter, et d`ajouter Anaconda à la PATH de votre système. Ci-dessous, nous supposerons que Anaconda est installé sous le répertoire de départ. Pour commencer, nous devons installer les packages SystemD et Nginx: créez l`environnement virtuel Python afin d`installer les prérequis du projet là-bas, sans affecter le reste de votre environnement Python. J`ai exécuté les commandes ci-dessous. Vous devrez peut-être installer l`environnement virtuel à l`aide de sudo apt-get installer python-PIP python-dev python-virtualenv. Si vous utilisez Anaconda, vous pouvez effectuer les étapes correspondantes. La dernière étape consiste à exécuter TensorBoard, pointant vers ce répertoire: Voici un fichier de configuration Barebone pour nginx, avec juste la partie que nous dépendons pour cette application. Bien sûr, Nginx peut être utilisé en outre pour configurer SSL ou pour servir des fichiers statiques, mais c`est hors de portée de cet article.

Le premier fichier pretrained_word_embeddings. py est le fichier original de keras. Le second fichier pretrained_external_word_embeddings. py est celui où les incorporations sont externes au modèle. Les principales modifications sont dans la façon dont les données sont chargées et dans la première couche du modèle. La deuxième étape consiste à convertir les incorporations résultantes de votre vocabulaire et de leurs voisins dans un format que TensorBoard comprend et placez-les dans le répertoire du journal: Supposons que vous ayez un fichier d`incorporation de mots volumineux à la main (par exemple