Når du bruger distribueret maskinlæring (ML) modeltræning på Google Cloud AI Platform, kan du faktisk bruge konfigurationsfilen til CMLE (Cloud Machine Learning Engine) modelimplementeringen til at definere antallet af maskiner, der bruges i træningen. Det er dog ikke muligt direkte at definere, hvilken type maskiner der skal bruges.
I distribueret ML-modeltræning giver CMLE-modelimplementeringskonfigurationsfilen dig mulighed for at angive skalaniveauet for træning. Skalaniveauet bestemmer antallet og typen af maskiner, der bruges i træningsjobbet. Indstillingerne for skalatrin spænder fra BASIC til CUSTOM, hvor hvert niveau har et foruddefineret antal arbejdere og parameterservere. Ved at vælge det passende skalaniveau kan du kontrollere antallet af maskiner, der bruges til træning.
For eksempel, hvis du vælger skalaniveauet BASIC, vil det bruge en enkelt arbejder og ingen parameterservere. På den anden side, hvis du vælger skalaniveauet STANDARD_1, vil det bruge en arbejder og en parameterserver. Skaleringsniveauet PREMIUM_1 bruger én arbejder og fire parameterservere, mens skalaniveauet CUSTOM giver dig mulighed for eksplicit at angive antallet af arbejdere og parameterservere.
Men mens du kan definere antallet af maskiner, kan du ikke direkte angive, hvilken type maskiner der bruges i træningen. Den anvendte type maskiner bestemmes af skalaniveauet og er foruddefineret af Google Cloud AI Platform. Hvert skalaniveau har en standardmaskinetype tilknyttet, som er optimeret til det givne skalaniveau. For eksempel bruger BASIC-skalaniveauet n1-standard-1-maskintypen, mens STANDARD_1-skalaniveauet bruger n1-standard-4-maskintypen.
Hvis du har brug for mere kontrol over de maskintyper, der bruges i træningen, kan du bruge brugerdefinerede containere med Cloud AI Platform. Med brugerdefinerede containere kan du bygge og implementere dit eget træningsbillede, som giver dig mulighed for at specificere maskintyper og andre afhængigheder, der kræves til træning. Ved at oprette en brugerdefineret container har du fleksibiliteten til at definere de nøjagtige maskintyper, der passer til dine træningsbehov.
Når du bruger distribueret ML-modeltræning på Google Cloud AI-platformen, kan du definere antallet af maskiner, der bruges til træning, gennem CMLE-modelimplementeringskonfigurationsfilen. Du kan dog ikke direkte specificere typen af maskiner, der anvendes, da det er bestemt af skalaniveauet. Hvis du har brug for mere kontrol over maskintyper, kan du udnytte tilpassede containere til at bygge og implementere dit eget træningsbillede.
Andre seneste spørgsmål og svar vedr EITC/AI/GCML Google Cloud Machine Learning:
- Hvad er tekst til tale (TTS), og hvordan fungerer det med kunstig intelligens?
- Hvad er begrænsningerne ved at arbejde med store datasæt i maskinlæring?
- Kan maskinlæring hjælpe med dialog?
- Hvad er TensorFlow-legepladsen?
- Hvad betyder et større datasæt egentlig?
- Hvad er nogle eksempler på algoritmens hyperparametre?
- Hvad er ensamble learning?
- Hvad hvis en valgt maskinlæringsalgoritme ikke er egnet, og hvordan kan man sikre sig at vælge den rigtige?
- Har en maskinlæringsmodel brug for supervision under træningen?
- Hvad er de vigtigste parametre, der bruges i neurale netværksbaserede algoritmer?
Se flere spørgsmål og svar i EITC/AI/GCML Google Cloud Machine Learning