Det kan den faktisk. I Google Cloud Machine Learning er der en funktion kaldet Cloud Machine Learning Engine (CMLE). CMLE giver en kraftfuld og skalerbar platform til træning og implementering af maskinlæringsmodeller i skyen. Det giver brugerne mulighed for at læse data fra Cloud-lagring og bruge en trænet model til at konkludere.
Når det kommer til at læse data fra Cloud Storage, tilbyder CMLE problemfri integration med forskellige lagermuligheder, herunder Google Cloud Storage. Brugere kan gemme deres træningsdata, såvel som andre relevante filer, i Cloud storage buckets. CMLE kan derefter få adgang til disse spande og læse dataene under træningsprocessen. Dette giver mulighed for effektiv og bekvem datastyring, samt muligheden for at udnytte store datasæt, der kan overstige den lokale lagerkapacitet.
Med hensyn til at bruge en trænet model, giver CMLE brugere mulighed for at specificere en trænet model, der er gemt i Cloud-lager til forudsigelsesopgaver. Når en model er blevet trænet og gemt i Cloud-lagring, kan den nemt tilgås og bruges af CMLE til at lave forudsigelser om nye data. Dette er især nyttigt, når der er behov for at implementere en trænet model og lave forudsigelser i realtid i et produktionsmiljø.
For at illustrere dette koncept kan du overveje et scenario, hvor en maskinlæringsmodel er blevet trænet til at klassificere billeder. Den trænede model opbevares i en Cloud-opbevaringsbøtte. Med CMLE kan brugere angive placeringen af den trænede model i Cloud storage og implementere den som et slutpunkt. Dette endepunkt kan derefter bruges til at sende nye billeder til klassificering. CMLE vil læse den trænede model fra Cloud-lagring, udføre de nødvendige beregninger og give forudsigelser baseret på inputbillederne.
CMLE har faktisk evnen til at læse data fra Cloud-lagring og specificere en trænet model til inferens. Denne funktion giver mulighed for effektiv datastyring og implementering af trænede modeller i applikationer fra den virkelige verden.
Andre seneste spørgsmål og svar vedr Fremskridt inden for maskinlæring:
- Hvad er begrænsningerne ved at arbejde med store datasæt i maskinlæring?
- Kan maskinlæring hjælpe med dialog?
- Hvad er TensorFlow-legepladsen?
- Forhindrer ivrig tilstand TensorFlows distribuerede computerfunktionalitet?
- Kan Google cloud-løsninger bruges til at afkoble computing fra storage for en mere effektiv træning af ML-modellen med big data?
- Tilbyder Google Cloud Machine Learning Engine (CMLE) automatisk ressourceanskaffelse og konfiguration og håndtere ressourcenedlukning, efter træningen af modellen er færdig?
- Er det muligt at træne maskinlæringsmodeller på vilkårligt store datasæt uden problemer?
- Når du bruger CMLE, kræver oprettelse af en version, at du angiver en kilde til en eksporteret model?
- Kan Tensorflow bruges til træning og inferens af dybe neurale netværk (DNN'er)?
- Hvad er Gradient Boosting-algoritmen?
Se flere spørgsmål og svar i Advance in Machine Learning