Cloud Machine Learning Engine (CMLE) yra galingas „Google Cloud Platform“ (GCP) įrankis, skirtas mašininio mokymosi modeliams lavinti paskirstytu ir lygiagrečiu būdu. Tačiau jis nesiūlo automatinio išteklių gavimo ir konfigūravimo, taip pat neapdoroja išteklių išjungimo po modelio mokymo. Šiame atsakyme mes gilinsimės į CMLE detales, jo galimybes ir rankinio išteklių valdymo poreikį.
CMLE sukurta siekiant supaprastinti mokymo procesą ir mašininio mokymosi modelių diegimą dideliu mastu. Tai suteikia valdomą aplinką, leidžiančią vartotojams sutelkti dėmesį į modelio kūrimą, o ne į infrastruktūros valdymą. CMLE išnaudoja GCP infrastruktūros galią, kad paskirstytų mokymo darbo krūvį keliose mašinose, todėl treniruotės vyksta greičiau ir tvarkomi dideli duomenų rinkiniai.
Naudodami CMLE, vartotojai turi galimybę lanksčiai pasirinkti mokymo darbui reikalingų išteklių tipą ir skaičių. Jie gali pasirinkti mašinos tipą, darbuotojų skaičių ir kitus parametrus pagal savo specifinius reikalavimus. Tačiau CMLE automatiškai neįgyja ir nekonfigūruoja šių išteklių. Naudotojas yra atsakingas už reikalingų išteklių aprūpinimą prieš pradedant mokymo darbą.
Norėdami įsigyti išteklių, vartotojai gali naudoti GSP paslaugas, tokias kaip Compute Engine arba Kubernetes Engine. Šios paslaugos suteikia keičiamo dydžio ir lanksčią infrastruktūrą, kad būtų galima pritaikyti mokymo darbo krūvį. Vartotojai gali sukurti virtualios mašinos egzempliorius arba konteinerius, sukonfigūruoti juos su reikiamomis programinės įrangos priklausomybėmis ir naudoti juos kaip CMLE darbuotojus.
Baigus mokymo darbą, CMLE automatiškai neišjungia mokymui naudojamų išteklių. Taip yra todėl, kad apmokytą modelį gali tekti įdiegti ir pateikti išvadoms. Vartotojas turi nuspręsti, kada ir kaip nutraukti išteklius, kad būtų išvengta nereikalingų išlaidų.
Apibendrinant galima pasakyti, kad CMLE siūlo galingą lygiagretaus mašininio mokymosi modelio mokymo platformą. Tačiau tam reikia rankiniu būdu įsigyti ir konfigūruoti išteklius ir neapdoroti išteklių išjungimo pasibaigus mokymui. Vartotojai turi aprūpinti reikiamus išteklius naudodamiesi GSP paslaugomis, pvz., „Compute Engine“ arba „Kubernetes Engine“, ir tvarkyti savo gyvavimo ciklą pagal konkrečius reikalavimus.
Kiti naujausi klausimai ir atsakymai apie Pažanga mašininio mokymosi srityje:
- Kokie yra apribojimai dirbant su dideliais duomenų rinkiniais mašininio mokymosi metu?
- Ar mašininis mokymasis gali padėti dialogui?
- Kas yra TensorFlow žaidimų aikštelė?
- Ar „eager“ režimas neleidžia paskirstyti „TensorFlow“ skaičiavimo funkcijų?
- Ar „Google“ debesies sprendimus galima naudoti norint atsieti kompiuteriją nuo saugyklos, kad būtų galima efektyviau lavinti ML modelį naudojant didelius duomenis?
- Ar galima treniruoti mašininio mokymosi modelius savavališkai dideliuose duomenų rinkiniuose be jokių trukdžių?
- Ar naudojant CMLE kuriant versiją reikia nurodyti eksportuoto modelio šaltinį?
- Ar CMLE gali nuskaityti iš „Google Cloud“ saugyklos duomenų ir naudoti nurodytą išmokytą modelį išvadoms daryti?
- Ar Tensorflow gali būti naudojamas giliųjų neuronų tinklų (DNN) mokymui ir išvadoms?
- Kas yra gradiento didinimo algoritmas?
Peržiūrėkite daugiau klausimų ir atsakymų skyriuje „Mašininio mokymosi tobulinimas“.