Ali Google Cloud Machine Learning Engine (CMLE) ponuja samodejno pridobivanje in konfiguracijo virov ter upravlja zaustavitev virov po končanem usposabljanju modela?
Cloud Machine Learning Engine (CMLE) je zmogljivo orodje, ki ga ponuja Google Cloud Platform (GCP) za usposabljanje modelov strojnega učenja na porazdeljen in vzporeden način. Vendar pa ne ponuja samodejnega pridobivanja in konfiguracije virov, niti ne obravnava zaustavitve virov po končanem usposabljanju modela. V tem odgovoru bomo preučili podrobnosti CMLE, njegove zmogljivosti in potrebo po ročnem upravljanju virov.
CMLE je zasnovan za poenostavitev procesa usposabljanja in uvajanja modelov strojnega učenja v velikem obsegu. Zagotavlja upravljano okolje, ki uporabnikom omogoča, da se osredotočijo na razvoj modela in ne na upravljanje infrastrukture. CMLE izkorišča moč infrastrukture GCP za porazdelitev delovne obremenitve usposabljanja na več strojev, kar omogoča hitrejše usposabljanje in obdelavo velikih naborov podatkov.
Pri uporabi CMLE imajo uporabniki možnost, da izberejo vrsto in število virov, potrebnih za njihovo usposabljanje. Izberejo lahko vrsto stroja, število delavcev in druge parametre glede na njihove specifične zahteve. Vendar CMLE teh virov ne pridobi in konfigurira samodejno. Uporabnik je odgovoren, da pred začetkom usposabljanja zagotovi potrebne vire.
Za pridobitev virov lahko uporabniki uporabijo storitve GCP, kot sta Compute Engine ali Kubernetes Engine. Te storitve zagotavljajo razširljivo in prilagodljivo infrastrukturo za prilagajanje obremenitvi usposabljanja. Uporabniki lahko ustvarijo primerke ali vsebnike navideznih strojev, jih konfigurirajo z zahtevanimi odvisnostmi programske opreme in jih nato uporabijo kot delavce v CMLE.
Ko je opravilo usposabljanja končano, CMLE ne zaustavi samodejno virov, ki se uporabljajo za usposabljanje. To je zato, ker bo morda treba usposobljeni model uvesti in služiti za namene sklepanja. Uporabnik se sam odloči, kdaj in kako bo prekinil vire, da se izogne nepotrebnim stroškom.
Če povzamemo, CMLE ponuja zmogljivo platformo za usposabljanje modela vzporednega strojnega učenja. Vendar pa zahteva ročno pridobitev in konfiguracijo virov in ne obravnava zaustavitve virov po končanem usposabljanju. Uporabniki morajo zagotoviti potrebne vire z uporabo storitev GCP, kot sta Compute Engine ali Kubernetes Engine, in upravljati svoj življenjski cikel na podlagi svojih posebnih zahtev.
Druga nedavna vprašanja in odgovori v zvezi Napredek v strojnem učenju:
- Ko je jedro razcepljeno s podatki in je izvirnik zaseben, ali je lahko razcepljeno javno in če je tako, ne gre za kršitev zasebnosti?
- Kakšne so omejitve pri delu z velikimi nabori podatkov v strojnem učenju?
- Ali lahko strojno učenje pomaga pri dialogu?
- Kaj je igrišče TensorFlow?
- Ali način eager preprečuje porazdeljeno računalniško funkcionalnost TensorFlow?
- Ali je mogoče Googlove rešitve v oblaku uporabiti za ločitev računalništva od shranjevanja za učinkovitejše usposabljanje modela ML z velikimi podatki?
- Ali je mogoče usposobiti modele strojnega učenja na poljubno velikih naborih podatkov brez kolcanja?
- Ali pri uporabi CMLE ustvarjanje različice zahteva navedbo vira izvoženega modela?
- Ali lahko CMLE bere podatke iz shrambe Google Cloud in za sklepanje uporabi določen usposobljen model?
- Ali je Tensorflow mogoče uporabiti za usposabljanje in sklepanje globokih nevronskih mrež (DNN)?
Oglejte si več vprašanj in odgovorov v Napredovanje v strojnem učenju