När du använder modellutbildning för distribuerad maskininlärning (ML) på Google Cloud AI-plattformen kan du verkligen använda konfigurationsfilen för CMLE (Cloud Machine Learning Engine)-modellimplementeringen för att definiera antalet maskiner som används i utbildningen. Det är dock inte möjligt att direkt definiera vilken typ av maskiner som ska användas.
I distribuerad ML-modellutbildning låter CMLE-modelldistributionskonfigurationsfilen dig ange skalnivån för utbildning. Skalnivån bestämmer antalet och typen av maskiner som används i träningsjobbet. Alternativen för skalnivån sträcker sig från BASIC till CUSTOM, där varje nivå har ett fördefinierat antal arbetare och parameterservrar. Genom att välja lämplig skalnivå kan du styra antalet maskiner som används för träning.
Till exempel, om du väljer skalnivån BASIC, kommer den att använda en enda arbetare och inga parameterservrar. Å andra sidan, om du väljer skalnivån STANDARD_1 kommer den att använda en arbetare och en parameterserver. Skalnivån PREMIUM_1 använder en arbetar- och fyra parameterservrar, medan skalnivån CUSTOM låter dig ange antalet arbetare och parameterservrar explicit.
Men även om du kan definiera antalet maskiner kan du inte direkt ange vilken typ av maskiner som används i utbildningen. Typen av maskiner som används bestäms av skalnivån och är fördefinierad av Google Cloud AI Platform. Varje skalnivå har en standardmaskintyp kopplad till sig, som är optimerad för den givna skalnivån. Till exempel använder skalnivån BASIC maskintypen n1-standard-1, medan skalnivån STANDARD_1 använder maskintypen n1-standard-4.
Om du behöver mer kontroll över maskintyperna som används i utbildningen kan du använda anpassade behållare med Cloud AI Platform. Med anpassade behållare kan du bygga och distribuera din egen träningsavbildning, vilket låter dig specificera maskintyper och andra beroenden som krävs för utbildning. Genom att skapa en anpassad behållare har du flexibiliteten att definiera exakt de maskintyper som passar dina träningsbehov.
När du använder distribuerad ML-modellutbildning på Google Cloud AI Platform kan du definiera antalet maskiner som används för utbildning genom konfigurationsfilen för CMLE-modellimplementering. Du kan dock inte direkt specificera vilken typ av maskiner som används, eftersom det bestäms av skalnivån. Om du behöver mer kontroll över maskintyper kan du använda anpassade behållare för att bygga och distribuera din egen träningsbild.
Andra senaste frågor och svar ang EITC/AI/GCML Google Cloud Machine Learning:
- Vad är text till tal (TTS) och hur fungerar det med AI?
- Vilka är begränsningarna i att arbeta med stora datamängder inom maskininlärning?
- Kan maskininlärning hjälpa till med dialog?
- Vad är TensorFlow-lekplatsen?
- Vad betyder en större datauppsättning egentligen?
- Vilka är några exempel på algoritmens hyperparametrar?
- Vad är ensamble learning?
- Vad händer om en vald maskininlärningsalgoritm inte är lämplig och hur kan man se till att välja rätt?
- Behöver en maskininlärningsmodell övervakning under utbildningen?
- Vilka är nyckelparametrarna som används i neurala nätverksbaserade algoritmer?
Se fler frågor och svar i EITC/AI/GCML Google Cloud Machine Learning