Bied die Google Cloud Machine Learning Engine (CMLE) outomatiese hulpbronverkryging en -konfigurasie en hanteer hulpbronafskakeling nadat die opleiding van die model voltooi is?
Cloud Machine Learning Engine (CMLE) is 'n kragtige hulpmiddel wat deur Google Cloud Platform (GCP) verskaf word om masjienleermodelle op 'n verspreide en parallelle manier op te lei. Dit bied egter nie outomatiese hulpbronverkryging en -konfigurasie nie, en hanteer ook nie hulpbronafskakeling nadat die opleiding van die model voltooi is nie. In hierdie antwoord sal ons die besonderhede van CMLE, sy vermoëns en die behoefte aan handmatige hulpbronbestuur oorweeg.
CMLE is ontwerp om die proses van opleiding en implementering van masjienleermodelle op skaal te vereenvoudig. Dit bied 'n bestuurde omgewing wat gebruikers in staat stel om op modelontwikkeling eerder as infrastruktuurbestuur te fokus. CMLE gebruik die krag van GCP se infrastruktuur om die opleidingswerklading oor verskeie masjiene te versprei, wat vinniger opleidingstye moontlik maak en groot datastelle hanteer.
Wanneer CMLE gebruik word, het gebruikers die buigsaamheid om die tipe en aantal hulpbronne wat benodig word vir hul opleidingswerk te kies. Hulle kan die masjientipe, aantal werkers en ander parameters kies op grond van hul spesifieke vereistes. CMLE verkry en konfigureer hierdie hulpbronne egter nie outomaties nie. Dit is die verantwoordelikheid van die gebruiker om die nodige hulpbronne te voorsien voordat die opleidingstaak begin word.
Om die hulpbronne te bekom, kan gebruikers GCP-dienste soos Compute Engine of Kubernetes Engine gebruik. Hierdie dienste bied 'n skaalbare en buigsame infrastruktuur om die opleidingswerklading te akkommodeer. Gebruikers kan virtuele masjiengevalle of houers skep, dit met die vereiste sagteware-afhanklikhede konfigureer en dit dan as werkers in CMLE gebruik.
Sodra die opleidingstaak voltooi is, sluit CMLE nie outomaties die hulpbronne wat vir opleiding gebruik word, af nie. Dit is omdat die opgeleide model dalk vir afleidingsdoeleindes ontplooi en bedien moet word. Dit is aan die gebruiker om te besluit wanneer en hoe om die hulpbronne te beëindig om onnodige koste te vermy.
Om op te som, CMLE bied 'n kragtige platform vir parallelle masjienleermodel-opleiding. Dit vereis egter handmatige verkryging en konfigurasie van hulpbronne en hanteer nie hulpbronafskakeling nadat die opleiding voltooi is nie. Gebruikers moet die nodige hulpbronne voorsien deur GCP-dienste soos Compute Engine of Kubernetes Engine te gebruik en hul lewensiklus te bestuur op grond van hul spesifieke vereistes.
Ander onlangse vrae en antwoorde t.o.v Bevorder in masjienleer:
- Wanneer 'n kern met data gevurk is en die oorspronklike is privaat, kan die gevurkte een publiek wees en indien wel, is dit nie 'n privaatheidskending nie?
- Wat is die beperkings om met groot datastelle in masjienleer te werk?
- Kan masjienleer 'n bietjie dialogiese hulp verleen?
- Wat is die TensorFlow-speelgrond?
- Verhinder die gretige modus die verspreide rekenaarfunksie van TensorFlow?
- Kan Google-wolkoplossings gebruik word om rekenaars van berging te ontkoppel vir 'n meer doeltreffende opleiding van die ML-model met groot data?
- Is dit moontlik om masjienleermodelle op arbitrêr groot datastelle op te lei sonder enige haakplekke?
- Wanneer CMLE gebruik word, vereis die skep van 'n weergawe dat 'n bron van 'n uitgevoerde model gespesifiseer word?
- Kan CMLE van Google Wolk-bergingdata lees en 'n gespesifiseerde opgeleide model vir afleidings gebruik?
- Kan Tensorflow gebruik word vir opleiding en afleiding van diep neurale netwerke (DNN's)?
Bekyk meer vrae en antwoorde in Vooruitgang in masjienleer