Cloud Machine Learning Engine (CMLE) ir spēcīgs Google Cloud Platform (GCP) rīks, lai apmācītu mašīnmācības modeļus sadalītā un paralēlā veidā. Tomēr tas nepiedāvā automātisku resursu iegūšanu un konfigurēšanu, kā arī neapstrādā resursu izslēgšanu pēc modeļa apmācības pabeigšanas. Šajā atbildē mēs iedziļināsimies detaļās par CMLE, tā iespējām un vajadzību pēc manuālas resursu pārvaldības.
CMLE ir izstrādāts, lai vienkāršotu apmācību un mašīnmācīšanās modeļu izvietošanas procesu mērogā. Tas nodrošina pārvaldītu vidi, kas lietotājiem ļauj koncentrēties uz modeļu izstrādi, nevis infrastruktūras pārvaldību. CMLE izmanto GCP infrastruktūras jaudu, lai sadalītu apmācības slodzi vairākās iekārtās, nodrošinot ātrāku apmācības laiku un apstrādājot lielas datu kopas.
Izmantojot CMLE, lietotāji var elastīgi izvēlēties savam apmācības darbam nepieciešamo resursu veidu un skaitu. Viņi var izvēlēties mašīnas veidu, darbinieku skaitu un citus parametrus, pamatojoties uz savām īpašajām prasībām. Tomēr CMLE automātiski neiegūst un nekonfigurē šos resursus. Lietotājs ir atbildīgs par nepieciešamo resursu nodrošināšanu pirms apmācības darba uzsākšanas.
Lai iegūtu resursus, lietotāji var izmantot GCP pakalpojumus, piemēram, Compute Engine vai Kubernetes Engine. Šie pakalpojumi nodrošina mērogojamu un elastīgu infrastruktūru, lai pielāgotos apmācības darba slodzei. Lietotāji var izveidot virtuālās mašīnas gadījumus vai konteinerus, konfigurēt tos ar nepieciešamajām programmatūras atkarībām un pēc tam izmantot tos kā CMLE darbiniekus.
Kad apmācības darbs ir pabeigts, CMLE automātiski neizslēdz apmācībai izmantotos resursus. Tas ir tāpēc, ka apmācītais modelis, iespējams, būs jāizvieto un jāizmanto secinājumu nolūkos. Lietotājam ir jāizlemj, kad un kā pārtraukt resursu izmantošanu, lai izvairītos no nevajadzīgām izmaksām.
Rezumējot, CMLE piedāvā jaudīgu platformu paralēlai mašīnmācības modeļu apmācībai. Tomēr tam ir nepieciešama manuāla resursu iegūšana un konfigurēšana, un tas neapstrādā resursu izslēgšanu pēc apmācības pabeigšanas. Lietotājiem ir jānodrošina nepieciešamie resursi, izmantojot GCP pakalpojumus, piemēram, Compute Engine vai Kubernetes Engine, un jāpārvalda savs dzīves cikls, pamatojoties uz savām īpašajām prasībām.
Citi jaunākie jautājumi un atbildes par Virzība mašīnmācībā:
- Kādi ir ierobežojumi darbam ar lielām datu kopām mašīnmācībā?
- Vai mašīnmācība var sniegt dialogu?
- Kas ir TensorFlow rotaļu laukums?
- Vai dedzīgais režīms neļauj TensorFlow izkliedēt skaitļošanas funkcionalitāti?
- Vai Google mākoņa risinājumus var izmantot, lai atsaistītu skaitļošanu no krātuves, lai efektīvāk apmācītu ML modeli ar lielajiem datiem?
- Vai ir iespējams apmācīt mašīnmācības modeļus patvaļīgi lielām datu kopām bez žagas?
- Vai, izmantojot CMLE, lai izveidotu versiju, ir jānorāda eksportētā modeļa avots?
- Vai CMLE var nolasīt Google mākoņa krātuves datus un izmantot noteiktu apmācītu modeli secinājumu veikšanai?
- Vai Tensorflow var izmantot dziļo neironu tīklu (DNN) apmācībai un secinājumiem?
- Kas ir gradienta palielināšanas algoritms?
Skatiet vairāk jautājumu un atbilžu sadaļā “Mašīnmācības attīstība”.