Patiešām, tā var. Pakalpojumā Google Cloud Machine Learning ir funkcija ar nosaukumu Cloud Machine Learning Engine (CMLE). CMLE nodrošina jaudīgu un mērogojamu platformu mašīnmācības modeļu apmācībai un izvietošanai mākonī. Tas ļauj lietotājiem nolasīt datus no mākoņa krātuves un izmantot apmācītu modeli secinājumu veikšanai.
Runājot par datu nolasīšanu no mākoņkrātuves, CMLE piedāvā nemanāmu integrāciju ar dažādām krātuves opcijām, tostarp Google Cloud Storage. Lietotāji var saglabāt savus treniņu datus, kā arī citus attiecīgos failus mākoņa krātuves kausos. Pēc tam CMLE var piekļūt šiem segmentiem un nolasīt datus apmācības procesa laikā. Tas nodrošina efektīvu un ērtu datu pārvaldību, kā arī iespēju izmantot lielas datu kopas, kas var pārsniegt vietējās krātuves ietilpību.
Apmācīta modeļa izmantošanas ziņā CMLE ļauj lietotājiem prognozēšanas uzdevumiem norādīt apmācītu modeli, kas tiek glabāts mākoņkrātuvē. Kad modelis ir apmācīts un saglabāts mākoņkrātuvē, CMLE tam var viegli piekļūt un to var izmantot jaunu datu prognozēšanai. Tas ir īpaši noderīgi, ja ir nepieciešams izvietot apmācītu modeli un veikt reāllaika prognozes ražošanas vidē.
Lai ilustrētu šo koncepciju, apsveriet scenāriju, kurā mašīnmācīšanās modelis ir apmācīts attēlu klasificēšanai. Apmācītais modelis tiek glabāts mākoņa krātuves spainī. Izmantojot CMLE, lietotāji var norādīt apmācītā modeļa atrašanās vietu mākoņkrātuvē un izvietot to kā galapunktu. Pēc tam šo galapunktu var izmantot, lai nosūtītu klasifikācijai jaunus attēlus. CMLE nolasīs apmācīto modeli no mākoņa krātuves, veiks nepieciešamos aprēķinus un sniegs prognozes, pamatojoties uz ievades attēliem.
CMLE patiešām spēj nolasīt datus no mākoņa krātuves un norādīt apmācītu modeli secinājumu veikšanai. Šī funkcija nodrošina efektīvu datu pārvaldību un apmācītu modeļu izvietošanu reālās pasaules lietojumprogrammās.
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 Google Cloud Machine Learning Engine (CMLE) piedāvā automātisku resursu ieguvi un konfigurēšanu un apstrādā resursu izslēgšanu pēc modeļa apmācības pabeigšanas?
- Vai ir iespējams apmācīt mašīnmācības modeļus patvaļīgi lielām datu kopām bez žagas?
- Vai, izmantojot CMLE, lai izveidotu versiju, ir jānorāda eksportētā modeļa avots?
- Vai Tensorflow var izmantot dziļo neironu tīklu (DNN) apmācībai un secinājumiem?
- Kas ir gradienta palielināšanas algoritms?
Skatiet vairāk jautājumu un atbilžu sadaļā “Mašīnmācības attīstība”.