Cloud Machine Learning Engine (CMLE) estas potenca ilo disponigita de Google Cloud Platform (GCP) por trejni maŝinlernajn modelojn en distribuita kaj paralela maniero. Tamen, ĝi ne ofertas aŭtomatan akiron kaj agordon de rimedo, nek ĝi pritraktas rimedĉesigon post kiam la trejnado de la modelo estas finita. En ĉi tiu respondo, ni enprofundiĝos en la detalojn de CMLE, ĝiajn kapablojn kaj la bezonon de mana rimedadministrado.
CMLE estas dizajnita por simpligi la procezon de trejnado kaj deploji maŝinlernajn modelojn ĉe skalo. Ĝi disponigas administritan medion kiu permesas al uzantoj temigi modelevoluon prefere ol infrastrukturadministrado. CMLE ekspluatas la potencon de la infrastrukturo de GCP por distribui la trejnan laborkvanton tra pluraj maŝinoj, ebligante pli rapidajn trejnajn tempojn kaj pritraktante grandajn datumajn arojn.
Kiam vi uzas CMLE, uzantoj havas la flekseblecon elekti la tipon kaj nombron da rimedoj necesaj por sia trejna laboro. Ili povas elekti la maŝinan tipon, nombron da laboristoj kaj aliajn parametrojn laŭ siaj specifaj postuloj. Tamen, CMLE ne aŭtomate akiras kaj agordas ĉi tiujn rimedojn. Estas la respondeco de la uzanto provizi la necesajn rimedojn antaŭ ol komenci la trejnadon.
Por akiri la rimedojn, uzantoj povas uzi GCP-servojn kiel Compute Engine aŭ Kubernetes Engine. Ĉi tiuj servoj disponigas skaleblan kaj flekseblan infrastrukturon por alĝustigi la trejnan laborkvanton. Uzantoj povas krei virtualajn maŝinajn petskribojn aŭ ujojn, agordi ilin kun la postulataj programaj dependecoj, kaj poste uzi ilin kiel laboristojn en CMLE.
Post kiam la trejna laboro estas finita, CMLE ne aŭtomate fermas la rimedojn uzatajn por trejnado. Ĉi tio estas ĉar la edukita modelo eble bezonos esti deplojita kaj servita por konkludaj celoj. Dependas de la uzanto decidi kiam kaj kiel ĉesigi la rimedojn por eviti nenecesajn kostojn.
Por resumi, CMLE ofertas potencan platformon por paralela maŝinlernada modela trejnado. Tamen, ĝi postulas manan akiron kaj agordon de resursoj kaj ne pritraktas rimedĉesigon post kiam la trejnado estas finita. Uzantoj devas provizi la necesajn rimedojn uzante GCP-servojn kiel Compute Engine aŭ Kubernetes Engine kaj administri sian vivociklon laŭ siaj specifaj postuloj.
Aliaj lastatempaj demandoj kaj respondoj pri Progresante en Maŝinlernado:
- Kio estas la limigoj por labori kun grandaj datumaroj en maŝina lernado?
- Ĉu maŝinlernado povas fari iun dialogan helpon?
- Kio estas la ludejo TensorFlow?
- Ĉu avida reĝimo malhelpas la distribuitan komputikan funkcion de TensorFlow?
- Ĉu Google-nubaj solvoj povas esti uzataj por malkunligi komputadon de stokado por pli efika trejnado de la ML-modelo kun grandaj datumoj?
- Ĉu eblas trejni maŝinlernajn modelojn sur arbitre grandaj datumaj aroj sen singultoj?
- Kiam vi uzas CMLE, ĉu krei version postulas specifi fonton de eksportita modelo?
- Ĉu CMLE povas legi el datumoj de stokado de Google Cloud kaj uzi specifitan trejnitan modelon por konkludo?
- Ĉu Tensorflow povas esti uzata por trejnado kaj inferenco de profundaj neŭralaj retoj (DNN)?
- Kio estas la algoritmo de Gradient Boosting?
Rigardu pliajn demandojn kaj respondojn en Antaŭenigo en Maŝina Lernado