Når du bruker modellopplæring for distribuert maskinlæring (ML) på Google Cloud AI-plattformen, kan du faktisk bruke konfigurasjonsfilen for CMLE-modellen (Cloud Machine Learning Engine) for å definere antall maskiner som brukes i opplæringen. Det er imidlertid ikke mulig å direkte definere hvilken type maskiner som skal brukes.
I distribuert ML-modellopplæring lar CMLE-modelldistribusjonskonfigurasjonsfilen deg spesifisere skalanivået for opplæring. Skalanivået bestemmer antall og type maskiner som brukes i treningsjobben. Skaleringsnivåalternativene spenner fra BASIC til CUSTOM, der hvert nivå har et forhåndsdefinert antall arbeidere og parameterservere. Ved å velge riktig skalanivå kan du kontrollere antall maskiner som brukes til trening.
For eksempel, hvis du velger skalanivået BASIC, vil det bruke en enkelt arbeider og ingen parameterservere. På den annen side, hvis du velger skalanivået STANDARD_1, vil den bruke én arbeider og én parameterserver. Skalanivået PREMIUM_1 bruker én arbeider og fire parameterservere, mens skalanivået CUSTOM lar deg spesifisere antall arbeidere og parameterservere eksplisitt.
Men selv om du kan definere antall maskiner, kan du ikke direkte spesifisere typen maskiner som brukes i trening. Maskintypen som brukes bestemmes av skalanivået og er forhåndsdefinert av Google Cloud AI Platform. Hvert skalanivå har en standard maskintype knyttet til seg, som er optimalisert for det gitte skalanivået. For eksempel bruker BASIC-skalanivået n1-standard-1-maskintypen, mens STANDARD_1-skalanivået bruker n1-standard-4-maskintypen.
Hvis du trenger mer kontroll over maskintypene som brukes i trening, kan du bruke tilpassede containere med Cloud AI Platform. Med tilpassede beholdere kan du bygge og distribuere ditt eget treningsbilde, som lar deg spesifisere maskintypene og andre avhengigheter som kreves for opplæring. Ved å lage en tilpasset beholder har du fleksibiliteten til å definere de nøyaktige maskintypene som passer dine treningsbehov.
Når du bruker distribuert ML-modellopplæring på Google Cloud AI-plattformen, kan du definere antall maskiner som brukes til opplæring gjennom konfigurasjonsfilen for CMLE-modellimplementering. Du kan imidlertid ikke spesifisere direkte hvilken type maskiner som brukes, da den bestemmes av skalanivået. Hvis du trenger mer kontroll over maskintyper, kan du bruke tilpassede containere til å bygge og distribuere ditt eget treningsbilde.
Andre nyere spørsmål og svar vedr EITC/AI/GCML Google Cloud Machine Learning:
- Hva er tekst til tale (TTS) og hvordan fungerer det med AI?
- Hva er begrensningene ved å jobbe med store datasett i maskinlæring?
- Kan maskinlæring hjelpe til med dialog?
- Hva er TensorFlow-lekeplassen?
- Hva betyr egentlig et større datasett?
- Hva er noen eksempler på algoritmens hyperparametre?
- Hva er ensamble learning?
- Hva om en valgt maskinlæringsalgoritme ikke er egnet, og hvordan kan man sørge for å velge den riktige?
- Trenger en maskinlæringsmodell veiledning under opplæringen?
- Hva er nøkkelparametrene som brukes i nevrale nettverksbaserte algoritmer?
Se flere spørsmål og svar i EITC/AI/GCML Google Cloud Machine Learning