Wanneer u gedistribueerde machine learning (ML)-modeltraining op Google Cloud AI Platform gebruikt, kunt u inderdaad het configuratiebestand voor de CMLE-modelimplementatie (Cloud Machine Learning Engine) gebruiken om het aantal machines te definiëren dat bij de training wordt gebruikt. Het is echter niet mogelijk om direct te definiëren welk type machines zal worden gebruikt.
Bij gedistribueerde ML-modeltraining kunt u met het configuratiebestand voor de CMLE-modelimplementatie de schaallaag voor training opgeven. De schaallaag bepaalt het aantal en het type machines dat in de trainingstaak wordt gebruikt. De schaalniveauopties variëren van BASIC tot CUSTOM, waarbij elke laag een vooraf gedefinieerd aantal werkrollen en parameterservers heeft. Door het juiste schaalniveau te selecteren, kunt u het aantal machines beheren dat voor training wordt gebruikt.
Als u bijvoorbeeld de schaallaag BASIC kiest, wordt er één werker en geen parameterservers gebruikt. Als u daarentegen de schaallaag STANDARD_1 kiest, worden er één werker en één parameterserver gebruikt. De schaallaag PREMIUM_1 gebruikt één werker en vier parameterservers, terwijl u met de schaallaag CUSTOM het aantal werkrollen en parameterservers expliciet kunt opgeven.
Hoewel u het aantal machines kunt definiëren, kunt u echter niet rechtstreeks het type machines opgeven dat bij de training wordt gebruikt. Het type machines dat wordt gebruikt, wordt bepaald door de schaallaag en is vooraf gedefinieerd door Google Cloud AI Platform. Aan elke schaallaag is een standaardmachinetype gekoppeld, dat is geoptimaliseerd voor de gegeven schaallaag. De schaallaag BASIC gebruikt bijvoorbeeld het machinetype n1-standaard-1, terwijl de schaallaag STANDARD_1 het machinetype n1-standaard-4 gebruikt.
Als u meer controle nodig heeft over de machinetypen die tijdens de training worden gebruikt, kunt u aangepaste containers gebruiken met Cloud AI Platform. Met aangepaste containers kunt u uw eigen trainingsimage bouwen en implementeren, waarmee u de machinetypen en andere afhankelijkheden kunt opgeven die nodig zijn voor training. Door een aangepaste container te maken, heeft u de flexibiliteit om de exacte machinetypen te definiëren die bij uw trainingsbehoeften passen.
Wanneer u gedistribueerde ML-modeltraining op Google Cloud AI Platform gebruikt, kunt u het aantal machines dat voor training wordt gebruikt, definiëren via het configuratiebestand voor de implementatie van het CMLE-model. U kunt het type gebruikte machines echter niet rechtstreeks opgeven, omdat dit wordt bepaald door de schaallaag. Als u meer controle over machinetypen nodig heeft, kunt u aangepaste containers gebruiken om uw eigen trainingsimage te bouwen en te implementeren.
Andere recente vragen en antwoorden over EITC/AI/GCML Google Cloud Machine Learning:
- Wat is tekst-naar-spraak (TTS) en hoe werkt het met AI?
- Wat zijn de beperkingen bij het werken met grote datasets in machine learning?
- Kan machinaal leren enige dialogische hulp bieden?
- Wat is de TensorFlow-speeltuin?
- Wat betekent een grotere dataset eigenlijk?
- Wat zijn enkele voorbeelden van de hyperparameters van algoritmen?
- Wat is samenvattend leren?
- Wat als een gekozen machine learning-algoritme niet geschikt is en hoe kun je ervoor zorgen dat je het juiste selecteert?
- Heeft een machine learning-model toezicht nodig tijdens de training?
- Wat zijn de belangrijkste parameters die worden gebruikt in op neurale netwerken gebaseerde algoritmen?
Bekijk meer vragen en antwoorden in EITC/AI/GCML Google Cloud Machine Learning