Kan CMLE läsa från Google Cloud-lagringsdata och använda en specificerad utbildad modell för slutledning?
Det kan den faktiskt. I Google Cloud Machine Learning finns en funktion som heter Cloud Machine Learning Engine (CMLE). CMLE tillhandahåller en kraftfull och skalbar plattform för utbildning och implementering av maskininlärningsmodeller i molnet. Det tillåter användare att läsa data från molnlagring och använda en utbildad modell för slutledning.
När det kommer till att läsa data från molnlagring erbjuder CMLE sömlös integration med olika lagringsalternativ, inklusive Google Cloud Storage. Användare kan lagra sina träningsdata, såväl som andra relevanta filer, i molnlagringshinkar. CMLE kan sedan komma åt dessa hinkar och läsa data under utbildningsprocessen. Detta möjliggör effektiv och bekväm datahantering, såväl som möjligheten att utnyttja stora datamängder som kan överskrida den lokala lagringskapaciteten.
När det gäller att använda en tränad modell, gör CMLE det möjligt för användare att specificera en tränad modell lagrad i molnlagring för prediktionsuppgifter. När en modell har tränats och sparats i molnlagring kan den lätt nås och användas av CMLE för att göra förutsägelser om ny data. Detta är särskilt användbart när det finns ett behov av att distribuera en tränad modell och göra realtidsförutsägelser i en produktionsmiljö.
För att illustrera detta koncept, överväg ett scenario där en maskininlärningsmodell har tränats för att klassificera bilder. Den tränade modellen förvaras i en Cloud-lagringshink. Med CMLE kan användare ange platsen för den tränade modellen i molnlagring och distribuera den som en slutpunkt. Denna slutpunkt kan sedan användas för att skicka nya bilder för klassificering. CMLE kommer att läsa den tränade modellen från molnlagring, utföra nödvändiga beräkningar och ge förutsägelser baserat på ingångsbilderna.
CMLE har verkligen förmågan att läsa data från molnlagring och specificera en tränad modell för slutledning. Denna funktion möjliggör effektiv datahantering och distribution av utbildade modeller i verkliga applikationer.
Andra senaste frågor och svar ang Framsteg i maskininlärning:
- När en kärna är kluven med data och originalet är privat, kan den gafflade vara offentlig och är det i så fall inte ett integritetsintrång?
- Vilka är begränsningarna i att arbeta med stora datamängder inom maskininlärning?
- Kan maskininlärning hjälpa till med dialog?
- Vad är TensorFlow-lekplatsen?
- Förhindrar ivrigt läge den distribuerade beräkningsfunktionen hos TensorFlow?
- Kan Googles molnlösningar användas för att frikoppla datoranvändning från lagring för en mer effektiv träning av ML-modellen med big data?
- Erbjuder Google Cloud Machine Learning Engine (CMLE) automatisk resursinhämtning och konfiguration och hanterar resursavstängning efter att utbildningen av modellen är klar?
- Är det möjligt att träna maskininlärningsmodeller på godtyckligt stora datamängder utan hicka?
- När du använder CMLE, krävs det att du anger en källa för en exporterad modell för att skapa en version?
- Kan Tensorflow användas för träning och slutledning av djupa neurala nätverk (DNN)?
Se fler frågor och svar i Avancera i maskininlärning