Cloud Machine Learning Engine (CMLE) ابزار قدرتمندی است که توسط Google Cloud Platform (GCP) برای آموزش مدلهای یادگیری ماشین به صورت توزیعشده و موازی ارائه شده است. با این حال، دستیابی و پیکربندی خودکار منابع را ارائه نمی دهد، و همچنین پس از پایان آموزش مدل، خاموش شدن منابع را مدیریت نمی کند. در این پاسخ، به جزئیات CMLE، قابلیتهای آن و نیاز به مدیریت منابع دستی خواهیم پرداخت.
CMLE برای ساده سازی فرآیند آموزش و استقرار مدل های یادگیری ماشین در مقیاس طراحی شده است. این یک محیط مدیریت شده را فراهم می کند که به کاربران اجازه می دهد به جای مدیریت زیرساخت، بر توسعه مدل تمرکز کنند. CMLE از قدرت زیرساخت GCP برای توزیع بار آموزشی در چندین ماشین استفاده میکند و زمان آموزش سریعتر و مدیریت مجموعه دادههای بزرگ را ممکن میسازد.
هنگام استفاده از CMLE، کاربران این امکان را دارند که نوع و تعداد منابع مورد نیاز برای کار آموزشی خود را انتخاب کنند. آنها می توانند نوع ماشین، تعداد کارگران و سایر پارامترها را بر اساس نیازهای خاص خود انتخاب کنند. با این حال، CMLE به طور خودکار این منابع را دریافت و پیکربندی نمی کند. تهیه منابع لازم قبل از شروع کار آموزشی بر عهده کاربر می باشد.
برای به دست آوردن منابع، کاربران می توانند از خدمات GCP مانند Compute Engine یا Kubernetes Engine استفاده کنند. این خدمات یک زیرساخت مقیاس پذیر و انعطاف پذیر برای تطبیق با حجم کار آموزشی ارائه می کنند. کاربران می توانند نمونه ها یا کانتینرهای ماشین مجازی را ایجاد کنند، آنها را با وابستگی های نرم افزاری مورد نیاز پیکربندی کنند و سپس از آنها به عنوان کارگر در CMLE استفاده کنند.
پس از تکمیل کار آموزشی، CMLE به طور خودکار منابع مورد استفاده برای آموزش را خاموش نمی کند. این به این دلیل است که مدل آموزش دیده ممکن است نیاز به استقرار و خدمت برای اهداف استنتاج داشته باشد. این به کاربر بستگی دارد که تصمیم بگیرد چه زمانی و چگونه منابع را خاتمه دهد تا از هزینه های غیر ضروری جلوگیری کند.
به طور خلاصه، CMLE یک پلت فرم قدرتمند برای آموزش مدل یادگیری ماشین موازی ارائه می دهد. با این حال، نیاز به کسب دستی و پیکربندی منابع دارد و پس از پایان آموزش، خاموش شدن منابع را کنترل نمی کند. کاربران باید منابع لازم را با استفاده از خدمات GCP مانند Compute Engine یا Kubernetes Engine فراهم کنند و چرخه عمر خود را بر اساس نیازهای خاص خود مدیریت کنند.
سایر پرسش ها و پاسخ های اخیر در مورد پیشرفت در یادگیری ماشین:
- محدودیت های کار با مجموعه داده های بزرگ در یادگیری ماشین چیست؟
- آیا یادگیری ماشینی می تواند کمک محاوره ای انجام دهد؟
- زمین بازی تنسورفلو چیست؟
- آیا حالت مشتاق از عملکرد محاسباتی توزیع شده TensorFlow جلوگیری می کند؟
- آیا می توان از راه حل های ابری Google برای جدا کردن محاسبات از فضای ذخیره سازی برای آموزش کارآمدتر مدل ML با داده های بزرگ استفاده کرد؟
- آیا می توان مدل های یادگیری ماشین را در مجموعه داده های خودسرانه بزرگ و بدون سکسکه آموزش داد؟
- هنگام استفاده از CMLE، آیا ایجاد یک نسخه نیاز به تعیین منبع یک مدل صادراتی دارد؟
- آیا CMLE میتواند دادههای ذخیرهسازی Google Cloud را بخواند و از یک مدل آموزشدیده مشخص برای استنتاج استفاده کند؟
- آیا می توان از Tensorflow برای آموزش و استنتاج شبکه های عصبی عمیق (DNN) استفاده کرد؟
- الگوریتم تقویت گرادیان چیست؟
سوالات و پاسخ های بیشتری را در پیشرفت در یادگیری ماشین مشاهده کنید