در واقع، می تواند. در Google Cloud Machine Learning، قابلیتی به نام Cloud Machine Learning Engine (CMLE) وجود دارد. CMLE یک پلت فرم قدرتمند و مقیاس پذیر برای آموزش و استقرار مدل های یادگیری ماشین در فضای ابری فراهم می کند. این به کاربران اجازه می دهد تا داده ها را از فضای ذخیره سازی ابری بخوانند و از یک مدل آموزش دیده برای استنتاج استفاده کنند.
وقتی نوبت به خواندن دادهها از فضای ذخیرهسازی ابری میرسد، CMLE یکپارچهسازی یکپارچه با گزینههای ذخیرهسازی مختلف، از جمله Google Cloud Storage ارائه میدهد. کاربران می توانند داده های آموزشی خود و همچنین سایر فایل های مرتبط را در سطل های ذخیره سازی ابری ذخیره کنند. سپس CMLE می تواند به این سطل ها دسترسی داشته باشد و داده ها را در طول فرآیند آموزش بخواند. این امکان مدیریت کارآمد و راحت دادهها و همچنین توانایی استفاده از مجموعه دادههای بزرگی را فراهم میکند که ممکن است از ظرفیت ذخیرهسازی محلی فراتر رود.
از نظر استفاده از یک مدل آموزش دیده، CMLE کاربران را قادر می سازد تا یک مدل آموزش دیده ذخیره شده در فضای ذخیره سازی ابری را برای کارهای پیش بینی مشخص کنند. هنگامی که یک مدل آموزش داده شد و در فضای ذخیره سازی ابری ذخیره شد، می توان به راحتی به آن دسترسی پیدا کرد و توسط CMLE برای پیش بینی داده های جدید استفاده کرد. این به ویژه زمانی مفید است که نیاز به استقرار یک مدل آموزشدیده و پیشبینی بلادرنگ در یک محیط تولید باشد.
برای نشان دادن این مفهوم، سناریویی را در نظر بگیرید که در آن یک مدل یادگیری ماشین برای طبقه بندی تصاویر آموزش داده شده است. مدل آموزش دیده در یک سطل ذخیره سازی Cloud ذخیره می شود. با CMLE، کاربران می توانند مکان مدل آموزش دیده را در فضای ذخیره سازی ابری مشخص کرده و آن را به عنوان نقطه پایانی مستقر کنند. سپس می توان از این نقطه پایانی برای ارسال تصاویر جدید برای طبقه بندی استفاده کرد. CMLE مدل آموزش دیده را از فضای ذخیره سازی ابری می خواند، محاسبات لازم را انجام می دهد و پیش بینی هایی را بر اساس تصاویر ورودی ارائه می دهد.
CMLE در واقع این قابلیت را دارد که داده ها را از فضای ذخیره سازی ابری بخواند و یک مدل آموزش دیده را برای استنتاج مشخص کند. این ویژگی امکان مدیریت کارآمد داده ها و استقرار مدل های آموزش دیده در برنامه های کاربردی دنیای واقعی را فراهم می کند.
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 Google Cloud Machine Learning Engine (CMLE) جمعآوری و پیکربندی خودکار منابع را ارائه میدهد و پس از پایان آموزش مدل، خاموش شدن منابع را مدیریت میکند؟
- 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 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