Cloud Machine Learning Engine (CMLE) on Google Cloud Platformi (GCP) pakutav võimas tööriist masinõppemudelite hajutatud ja paralleelselt koolitamiseks. Kuid see ei paku automaatset ressursside hankimist ja konfigureerimist ega tegele ressursside väljalülitamisega pärast mudeli koolituse lõppu. Selles vastuses süveneme CMLE üksikasjadesse, selle võimalustesse ja käsitsi ressursside haldamise vajadusele.
CMLE on loodud selleks, et lihtsustada koolituse ja masinõppemudelite ulatuslikku juurutamist. See pakub hallatavat keskkonda, mis võimaldab kasutajatel keskenduda pigem mudelite arendamisele kui infrastruktuuri haldamisele. CMLE kasutab ära GCP infrastruktuuri võimsust, et jagada treeningkoormus mitme masina vahel, võimaldades kiiremat treeninguaega ja käsitleda suuri andmekogumeid.
CMLE-d kasutades saavad kasutajad paindlikult valida oma koolitustööks vajalike ressursside tüübi ja arvu. Nad saavad valida masina tüübi, töötajate arvu ja muud parameetrid vastavalt oma konkreetsetele nõuetele. CMLE aga ei hangi ega konfigureeri neid ressursse automaatselt. Enne koolitustöö alustamist on kasutaja kohustus varustada vajalike ressurssidega.
Ressursside hankimiseks saavad kasutajad kasutada GCP teenuseid, nagu Compute Engine või Kubernetes Engine. Need teenused pakuvad skaleeritavat ja paindlikku infrastruktuuri, et mahutada koolituse töökoormust. Kasutajad saavad luua virtuaalmasina eksemplare või konteinereid, konfigureerida need nõutavate tarkvarasõltuvustega ja seejärel kasutada neid CMLE-s töötajatena.
Kui koolitustöö on lõpetatud, ei sulge CMLE automaatselt koolituseks kasutatavaid ressursse. Selle põhjuseks on asjaolu, et väljaõppinud mudelit võib olla vaja järelduste tegemiseks juurutada ja serveerida. Kasutaja otsustab, millal ja kuidas ressursse lõpetada, et vältida tarbetuid kulusid.
Kokkuvõtteks võib öelda, et CMLE pakub võimsat platvormi paralleelseks masinõppe mudelikoolituseks. Kuid see nõuab ressursside käsitsi hankimist ja konfigureerimist ning ei käsitle ressursside sulgemist pärast koolituse lõppu. Kasutajad peavad varustama vajalikke ressursse, kasutades GCP teenuseid, nagu Compute Engine või Kubernetes Engine, ja haldama oma elutsüklit vastavalt oma konkreetsetele nõuetele.
Muud hiljutised küsimused ja vastused selle kohta Masinõppes edasijõudmine:
- Millised on masinõppes suurte andmekogumitega töötamise piirangud?
- Kas masinõpe võib anda dialoogilist abi?
- Mis on TensorFlow mänguväljak?
- Kas innukas režiim takistab TensorFlow hajutatud andmetöötluse funktsionaalsust?
- Kas Google'i pilvelahendusi saab kasutada andmetöötluse lahtiühendamiseks salvestusruumist, et ML-mudelit suurte andmetega tõhusamalt treenida?
- Kas masinõppemudeleid on võimalik suvaliselt suurtes andmekogumites ilma tõrgeteta koolitada?
- Kas CMLE kasutamisel on versiooni loomiseks vaja määrata eksporditud mudeli allikas?
- Kas CMLE saab lugeda Google'i pilvesalvestuse andmeid ja kasutada järelduste tegemiseks konkreetset koolitatud mudelit?
- Kas Tensorflow't saab kasutada sügavate närvivõrkude (DNN) treenimiseks ja järelduste tegemiseks?
- Mis on gradiendi võimendamise algoritm?
Vaadake rohkem küsimusi ja vastuseid jaotisest Masinõppes edasijõudmine