Kai naudojate paskirstyto mašininio mokymosi (ML) modelio mokymą „Google Cloud AI“ platformoje, iš tikrųjų galite naudoti CMLE (Cloud Machine Learning Engine) modelio diegimo konfigūracijos failą, kad apibrėžtumėte mokymuose naudojamų mašinų skaičių. Tačiau neįmanoma tiesiogiai apibrėžti naudojamų mašinų tipo.
Atliekant paskirstytą ML modelio mokymą, CMLE modelio diegimo konfigūracijos failas leidžia nurodyti mokymo masto pakopą. Mastelio pakopa nustato mokymo darbe naudojamų mašinų skaičių ir tipą. Mastelio pakopos parinktys svyruoja nuo BASIC iki CUSTOM, o kiekvienoje pakopoje yra iš anksto nustatytas darbuotojų ir parametrų serverių skaičius. Pasirinkę atitinkamą mastelio pakopą, galite valdyti treniruotėms naudojamų mašinų skaičių.
Pavyzdžiui, jei pasirinksite mastelio pakopą BASIC, jis naudos vieną darbuotoją ir jokių parametrų serverių. Kita vertus, jei pasirinksite mastelio pakopą STANDARD_1, bus naudojamas vienas darbuotojas ir vienas parametrų serveris. PREMIUM_1 mastelio pakopoje naudojamas vienas darbuotojas ir keturi parametrų serveriai, o masto pakopa CUSTOM leidžia aiškiai nurodyti darbuotojų skaičių ir parametrų serverius.
Tačiau, nors galite apibrėžti mašinų skaičių, negalite tiesiogiai nurodyti treniruočių metu naudojamų mašinų tipo. Naudojamų mašinų tipas nustatomas pagal mastelio pakopą ir yra iš anksto nustatytas Google Cloud AI platformos. Kiekviena masto pakopa turi numatytąjį mašinos tipą, susietą su juo, kuris yra optimizuotas nurodytai masto pakopai. Pavyzdžiui, BASIC mastelio pakopoje naudojamas n1-standard-1 mašinos tipas, o STANDARD_1 mastelio pakopoje naudojamas n1-standard-4 mašinos tipas.
Jei jums reikia daugiau valdyti treniruočių metu naudojamų mašinų tipus, galite naudoti pasirinktinius konteinerius su „Cloud AI“ platforma. Naudodami pasirinktinius konteinerius galite sukurti ir įdiegti savo mokymo vaizdą, kuris leidžia nurodyti mašinų tipus ir kitas treniruotėms reikalingas priklausomybes. Sukūrę pasirinktinį konteinerį, galite lanksčiai apibrėžti tikslius mašinų tipus, atitinkančius jūsų mokymo poreikius.
Kai naudojate paskirstytą ML modelio mokymą „Google Cloud AI“ platformoje, galite apibrėžti mokymui naudojamų mašinų skaičių naudodami CMLE modelio diegimo konfigūracijos failą. Tačiau negalite tiesiogiai nurodyti naudojamų mašinų tipo, nes tai lemia masto pakopa. Jei jums reikia daugiau valdyti mašinų tipus, galite panaudoti pasirinktinius konteinerius, kad sukurtumėte ir įdiegtumėte savo mokymo vaizdą.
Kiti naujausi klausimai ir atsakymai apie EITC/AI/GCML „Google Cloud Machine Learning“:
- Kas yra tekstas į kalbą (TTS) ir kaip jis veikia su AI?
- Kokie yra apribojimai dirbant su dideliais duomenų rinkiniais mašininio mokymosi metu?
- Ar mašininis mokymasis gali padėti dialogui?
- Kas yra TensorFlow žaidimų aikštelė?
- Ką iš tikrųjų reiškia didesnis duomenų rinkinys?
- Kokie yra algoritmo hiperparametrų pavyzdžiai?
- Kas yra ansamblinis mokymasis?
- Ką daryti, jei pasirinktas mašininio mokymosi algoritmas netinka ir kaip įsitikinti, kad pasirinksite tinkamą?
- Ar mašininio mokymosi modelį reikia prižiūrėti jo mokymo metu?
- Kokie pagrindiniai parametrai naudojami neuroniniais tinklais pagrįstuose algoritmuose?
Peržiūrėkite daugiau klausimų ir atsakymų EITC/AI/GCML Google Cloud Machine Learning