Kan CMLE gegevens uit Google Cloud-opslag lezen en een gespecificeerd getraind model gebruiken voor gevolgtrekking?
Dat kan inderdaad. In Google Cloud Machine Learning is er een functie genaamd Cloud Machine Learning Engine (CMLE). CMLE biedt een krachtig en schaalbaar platform voor het trainen en inzetten van machine learning-modellen in de cloud. Hiermee kunnen gebruikers gegevens uit cloudopslag lezen en een getraind model gebruiken voor gevolgtrekking.
Als het gaat om het lezen van gegevens uit Cloud-opslag, biedt CMLE naadloze integratie met verschillende opslagopties, waaronder Google Cloud Storage. Gebruikers kunnen hun trainingsgegevens en andere relevante bestanden opslaan in cloudopslagbuckets. CMLE heeft vervolgens toegang tot deze buckets en kan de gegevens lezen tijdens het trainingsproces. Dit maakt efficiënt en gemakkelijk databeheer mogelijk, evenals de mogelijkheid om grote datasets te benutten die de lokale opslagcapaciteit kunnen overschrijden.
Wat het gebruik van een getraind model betreft, stelt CMLE gebruikers in staat een getraind model op te geven dat is opgeslagen in cloudopslag voor voorspellingstaken. Zodra een model is getraind en opgeslagen in de cloudopslag, kan CMLE het eenvoudig openen en gebruiken om voorspellingen te doen over nieuwe gegevens. Dit is met name handig als het nodig is om een getraind model in te zetten en realtime voorspellingen te doen in een productieomgeving.
Om dit concept te illustreren, kunt u een scenario overwegen waarin een machine learning-model is getraind om afbeeldingen te classificeren. Het getrainde model wordt opgeslagen in een cloudopslagbucket. Met CMLE kunnen gebruikers de locatie van het getrainde model in cloudopslag opgeven en dit als eindpunt implementeren. Dit eindpunt kan vervolgens worden gebruikt om nieuwe afbeeldingen ter classificatie te verzenden. CMLE zal het getrainde model uit de cloudopslag lezen, de nodige berekeningen uitvoeren en voorspellingen doen op basis van de invoerbeelden.
CMLE heeft inderdaad de mogelijkheid om gegevens uit cloudopslag te lezen en een getraind model voor gevolgtrekking te specificeren. Deze functie maakt efficiënt gegevensbeheer en de inzet van getrainde modellen in toepassingen in de echte wereld mogelijk.
Andere recente vragen en antwoorden over Vooruitgang in machine learning:
- Wanneer een kernel wordt geforkt met gegevens en het origineel privé is, kan de geforkte kernel dan openbaar zijn? En als dat zo is, is dat dan geen inbreuk op de privacy?
- 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?
- Voorkomt de enthousiaste modus de gedistribueerde computerfunctionaliteit van TensorFlow?
- Kunnen de cloudoplossingen van Google worden gebruikt om computergebruik los te koppelen van opslag, voor een efficiëntere training van het ML-model met big data?
- Biedt de Google Cloud Machine Learning Engine (CMLE) automatische acquisitie en configuratie van bronnen en wordt het afsluiten van bronnen afgehandeld nadat de training van het model is voltooid?
- Is het mogelijk om machine learning-modellen zonder haperingen te trainen op willekeurig grote datasets?
- Moet bij het gebruik van CMLE voor het maken van een versie een bron van een geëxporteerd model worden opgegeven?
- Kan Tensorflow worden gebruikt voor training en gevolgtrekking van diepe neurale netwerken (DNN's)?
Bekijk meer vragen en antwoorden in Vooruitgang in machine learning