Môže CMLE čítať údaje z úložiska Google Cloud a použiť určený model na odvodenie?
Naozaj, môže. V službe Google Cloud Machine Learning existuje funkcia s názvom Cloud Machine Learning Engine (CMLE). CMLE poskytuje výkonnú a škálovateľnú platformu na školenie a nasadzovanie modelov strojového učenia v cloude. Umožňuje používateľom čítať údaje z cloudového úložiska a využívať trénovaný model na odvodenie.
Pokiaľ ide o čítanie údajov z cloudového úložiska, CMLE ponúka bezproblémovú integráciu s rôznymi možnosťami úložiska vrátane Google Cloud Storage. Používatelia môžu ukladať svoje tréningové údaje, ako aj akékoľvek iné relevantné súbory, do zásobníkov cloudového úložiska. CMLE potom môže pristupovať k týmto segmentom a čítať údaje počas tréningového procesu. To umožňuje efektívnu a pohodlnú správu údajov, ako aj možnosť využívať veľké súbory údajov, ktoré môžu presiahnuť kapacitu lokálneho úložiska.
Pokiaľ ide o použitie trénovaného modelu, CMLE umožňuje používateľom špecifikovať trénovaný model uložený v cloudovom úložisku pre predikčné úlohy. Po zaškolení a uložení modelu do cloudového úložiska k nemu môže CMLE ľahko pristupovať a využívať ho na vytváranie predpovedí o nových údajoch. To je užitočné najmä vtedy, keď je potrebné nasadiť trénovaný model a robiť predpovede v reálnom čase v produkčnom prostredí.
Na ilustráciu tohto konceptu zvážte scenár, v ktorom bol model strojového učenia trénovaný na klasifikáciu obrázkov. Trénovaný model je uložený v cloudovom úložisku. Pomocou CMLE môžu používatelia špecifikovať umiestnenie trénovaného modelu v cloudovom úložisku a nasadiť ho ako koncový bod. Tento koncový bod sa potom môže použiť na odoslanie nových obrázkov na klasifikáciu. CMLE načíta natrénovaný model z cloudového úložiska, vykoná potrebné výpočty a poskytne predpovede na základe vstupných obrázkov.
CMLE má skutočne schopnosť čítať údaje z cloudového úložiska a špecifikovať trénovaný model na odvodenie. Táto funkcia umožňuje efektívnu správu dát a nasadenie trénovaných modelov v reálnych aplikáciách.
Ďalšie nedávne otázky a odpovede týkajúce sa Pokrok v strojovom učení:
- Keď je jadro rozvetvené s údajmi a originál je súkromný, môže byť rozvetvené jadro verejné, a ak áno, nejde o porušenie súkromia?
- Aké sú obmedzenia pri práci s veľkými množinami údajov v rámci strojového učenia?
- Môže strojové učenie pomôcť pri dialógu?
- Čo je ihrisko TensorFlow?
- Bráni dychový režim distribuovanej výpočtovej funkcii TensorFlow?
- Dajú sa cloudové riešenia Google použiť na oddelenie výpočtovej techniky od úložiska pre efektívnejšie trénovanie modelu ML s veľkými dátami?
- Ponúka nástroj Google Cloud Machine Learning Engine (CMLE) automatické získavanie a konfiguráciu zdrojov a zabezpečuje ich vypnutie po dokončení školenia modelu?
- Je možné trénovať modely strojového učenia na ľubovoľne veľkých súboroch údajov bez štikútania?
- Vyžaduje si pri použití CMLE vytvorenie verzie špecifikáciu zdroja exportovaného modelu?
- Môže byť Tensorflow použitý na tréning a odvodenie hlbokých neurónových sietí (DNN)?
Ďalšie otázky a odpovede nájdete v časti Pokrok v strojovom učení