Όταν χρησιμοποιείτε εκπαίδευση μοντέλου κατανεμημένης μηχανικής εκμάθησης (ML) στην πλατφόρμα Google Cloud AI, μπορείτε πράγματι να χρησιμοποιήσετε το αρχείο διαμόρφωσης για την ανάπτυξη του μοντέλου CMLE (Cloud Machine Learning Engine) για να καθορίσετε τον αριθμό των μηχανών που χρησιμοποιούνται στην εκπαίδευση. Ωστόσο, δεν είναι δυνατό να καθοριστεί άμεσα ο τύπος των μηχανών που θα χρησιμοποιηθούν.
Στην εκπαίδευση μοντέλων κατανεμημένης ML, το αρχείο διαμόρφωσης ανάπτυξης μοντέλου CMLE σάς επιτρέπει να καθορίσετε το επίπεδο κλίμακας για εκπαίδευση. Η βαθμίδα κλίμακας καθορίζει τον αριθμό και τον τύπο των μηχανών που χρησιμοποιούνται στην εργασία εκπαίδευσης. Οι επιλογές βαθμίδων κλίμακας κυμαίνονται από BASIC έως CUSTOM, με κάθε επίπεδο να έχει έναν προκαθορισμένο αριθμό εργαζομένων και διακομιστών παραμέτρων. Επιλέγοντας την κατάλληλη βαθμίδα κλίμακας, μπορείτε να ελέγξετε τον αριθμό των μηχανών που χρησιμοποιούνται για εκπαίδευση.
Για παράδειγμα, εάν επιλέξετε το επίπεδο κλίμακας BASIC, θα χρησιμοποιεί έναν μόνο εργαζόμενο και κανέναν διακομιστή παραμέτρων. Από την άλλη πλευρά, εάν επιλέξετε το επίπεδο κλίμακας STANDARD_1, θα χρησιμοποιήσει έναν διακομιστή και έναν διακομιστή παραμέτρων. Το επίπεδο κλίμακας PREMIUM_1 χρησιμοποιεί έναν εργαζόμενο και τέσσερις διακομιστές παραμέτρων, ενώ το επίπεδο κλίμακας CUSTOM σάς επιτρέπει να καθορίσετε ρητά τον αριθμό των εργαζομένων και των διακομιστών παραμέτρων.
Ωστόσο, ενώ μπορείτε να ορίσετε τον αριθμό των μηχανών, δεν μπορείτε να καθορίσετε απευθείας τον τύπο των μηχανών που χρησιμοποιούνται στην εκπαίδευση. Ο τύπος των μηχανημάτων που χρησιμοποιούνται καθορίζεται από το επίπεδο κλίμακας και προκαθορίζεται από την πλατφόρμα Google Cloud AI. Κάθε επίπεδο κλίμακας έχει έναν προεπιλεγμένο τύπο μηχανής που σχετίζεται με αυτό, ο οποίος είναι βελτιστοποιημένος για τη δεδομένη βαθμίδα κλίμακας. Για παράδειγμα, το επίπεδο κλίμακας BASIC χρησιμοποιεί τον τύπο μηχανής n1-standard-1, ενώ το επίπεδο κλίμακας STANDARD_1 χρησιμοποιεί τον τύπο μηχανής n1-standard-4.
Εάν χρειάζεστε περισσότερο έλεγχο στους τύπους μηχανημάτων που χρησιμοποιούνται στην εκπαίδευση, μπορείτε να χρησιμοποιήσετε προσαρμοσμένα κοντέινερ με την πλατφόρμα Cloud AI. Με προσαρμοσμένα κοντέινερ, μπορείτε να δημιουργήσετε και να αναπτύξετε τη δική σας εικόνα εκπαίδευσης, η οποία σας επιτρέπει να καθορίσετε τους τύπους μηχανών και άλλες εξαρτήσεις που απαιτούνται για την εκπαίδευση. Δημιουργώντας ένα προσαρμοσμένο κοντέινερ, έχετε την ευελιξία να ορίσετε τους ακριβείς τύπους μηχανών που ταιριάζουν στις εκπαιδευτικές σας ανάγκες.
Όταν χρησιμοποιείτε εκπαίδευση μοντέλων κατανεμημένης ML στην πλατφόρμα Google Cloud AI, μπορείτε να ορίσετε τον αριθμό των μηχανημάτων που χρησιμοποιούνται για εκπαίδευση μέσω του αρχείου διαμόρφωσης ανάπτυξης μοντέλου CMLE. Ωστόσο, δεν μπορείτε να προσδιορίσετε απευθείας τον τύπο των μηχανημάτων που χρησιμοποιούνται, καθώς καθορίζεται από τη βαθμίδα κλίμακας. Εάν χρειάζεστε περισσότερο έλεγχο στους τύπους μηχανών, μπορείτε να αξιοποιήσετε προσαρμοσμένα κοντέινερ για να δημιουργήσετε και να αναπτύξετε τη δική σας εικόνα εκπαίδευσης.
Άλλες πρόσφατες ερωτήσεις και απαντήσεις σχετικά με EITC/AI/GCML Google Cloud Machine Learning:
- Τι είναι το κείμενο σε ομιλία (TTS) και πώς λειτουργεί με την τεχνητή νοημοσύνη;
- Ποιοι είναι οι περιορισμοί στην εργασία με μεγάλα σύνολα δεδομένων στη μηχανική εκμάθηση;
- Μπορεί η μηχανική μάθηση να προσφέρει κάποια διαλογική βοήθεια;
- Τι είναι η παιδική χαρά TensorFlow;
- Τι σημαίνει στην πραγματικότητα ένα μεγαλύτερο σύνολο δεδομένων;
- Ποια είναι μερικά παραδείγματα υπερπαραμέτρων του αλγορίθμου;
- Τι είναι η εκμάθηση συνόλου;
- Τι γίνεται αν ένας επιλεγμένος αλγόριθμος μηχανικής εκμάθησης δεν είναι κατάλληλος και πώς μπορεί κανείς να βεβαιωθεί ότι θα επιλέξει τον σωστό;
- Χρειάζεται επίβλεψη ένα μοντέλο μηχανικής μάθησης κατά τη διάρκεια της εκπαίδευσής του;
- Ποιες είναι οι βασικές παράμετροι που χρησιμοποιούνται σε αλγόριθμους βασισμένους σε νευρωνικά δίκτυα;
Δείτε περισσότερες ερωτήσεις και απαντήσεις στο EITC/AI/GCML Google Cloud Machine Learning