Bolehkah CMLE membaca daripada data storan Google Cloud dan menggunakan model terlatih yang ditentukan untuk inferens?
Memang boleh. Dalam Pembelajaran Mesin Awan Google, terdapat ciri yang dipanggil Enjin Pembelajaran Mesin Awan (CMLE). CMLE menyediakan platform yang berkuasa dan berskala untuk melatih dan menggunakan model pembelajaran mesin dalam awan. Ia membolehkan pengguna membaca data daripada storan Awan dan menggunakan model terlatih untuk inferens.
Apabila merujuk kepada membaca data daripada storan Awan, CMLE menawarkan penyepaduan yang lancar dengan pelbagai pilihan storan, termasuk Storan Awan Google. Pengguna boleh menyimpan data latihan mereka, serta mana-mana fail lain yang berkaitan, dalam baldi storan Awan. CMLE kemudiannya boleh mengakses baldi ini dan membaca data semasa proses latihan. Ini membolehkan pengurusan data yang cekap dan mudah, serta keupayaan untuk memanfaatkan set data besar yang mungkin melebihi kapasiti storan tempatan.
Dari segi penggunaan model terlatih, CMLE membolehkan pengguna menentukan model terlatih yang disimpan dalam storan Awan untuk tugas ramalan. Setelah model telah dilatih dan disimpan ke storan Awan, model itu boleh diakses dan digunakan dengan mudah oleh CMLE untuk membuat ramalan pada data baharu. Ini amat berguna apabila terdapat keperluan untuk menggunakan model terlatih dan membuat ramalan masa nyata dalam persekitaran pengeluaran.
Untuk menggambarkan konsep ini, pertimbangkan senario di mana model pembelajaran mesin telah dilatih untuk mengklasifikasikan imej. Model terlatih disimpan dalam baldi storan Awan. Dengan CMLE, pengguna boleh menentukan lokasi model terlatih dalam storan Awan dan menggunakan ia sebagai titik akhir. Titik akhir ini kemudiannya boleh digunakan untuk menghantar imej baharu untuk pengelasan. CMLE akan membaca model terlatih daripada storan Awan, melakukan pengiraan yang diperlukan dan memberikan ramalan berdasarkan imej input.
CMLE sememangnya mempunyai keupayaan untuk membaca data daripada storan Awan dan menentukan model terlatih untuk inferens. Ciri ini membolehkan pengurusan data yang cekap dan penggunaan model terlatih dalam aplikasi dunia sebenar.
Soalan dan jawapan terbaru lain mengenai Kemajuan dalam Pembelajaran Mesin:
- Apabila kernel bercabang dengan data dan yang asal adalah peribadi, bolehkah kernel bercabang menjadi umum dan jika ya bukan pelanggaran privasi?
- Apakah batasan dalam bekerja dengan set data besar dalam pembelajaran mesin?
- Bolehkah pembelajaran mesin melakukan beberapa bantuan dialog?
- Apakah taman permainan TensorFlow?
- Adakah mod bersemangat menghalang kefungsian pengkomputeran yang diedarkan TensorFlow?
- Bolehkah penyelesaian awan Google digunakan untuk memisahkan pengkomputeran daripada storan untuk latihan model ML yang lebih cekap dengan data besar?
- Adakah Enjin Pembelajaran Mesin Awan Google (CMLE) menawarkan pemerolehan dan konfigurasi sumber automatik serta mengendalikan penutupan sumber selepas latihan model selesai?
- Adakah mungkin untuk melatih model pembelajaran mesin pada set data yang besar secara sewenang-wenangnya tanpa gangguan?
- Apabila menggunakan CMLE, adakah membuat versi memerlukan menentukan sumber model yang dieksport?
- Bolehkah Tensorflow digunakan untuk latihan dan inferens rangkaian saraf dalam (DNN)?
Lihat lebih banyak soalan dan jawapan dalam Memajukan Pembelajaran Mesin