Kapag gumagamit ng distributed machine learning (ML) model training sa Google Cloud AI Platform, maaari mo talagang gamitin ang configuration file para sa CMLE (Cloud Machine Learning Engine) model deployment para tukuyin ang bilang ng mga machine na ginagamit sa pagsasanay. Gayunpaman, hindi posibleng direktang tukuyin ang uri ng mga makina na gagamitin.
Sa distributed ML model training, binibigyang-daan ka ng CMLE model deployment configuration file na tukuyin ang scale tier para sa pagsasanay. Tinutukoy ng scale tier ang bilang at uri ng mga makina na ginagamit sa pagsasanay na trabaho. Ang mga opsyon sa scale tier ay mula sa BASIC hanggang CUSTOM, kung saan ang bawat tier ay mayroong paunang natukoy na bilang ng mga manggagawa at parameter server. Sa pamamagitan ng pagpili ng naaangkop na antas ng sukat, maaari mong kontrolin ang bilang ng mga makina na ginagamit para sa pagsasanay.
Halimbawa, kung pipiliin mo ang scale tier na BASIC, gagamit ito ng iisang manggagawa at walang mga server ng parameter. Sa kabilang banda, kung pipiliin mo ang scale tier na STANDARD_1, gagamit ito ng isang manggagawa at isang server ng parameter. Ang scale tier na PREMIUM_1 ay gumagamit ng isang manggagawa at apat na parameter server, habang ang scale tier na CUSTOM ay nagbibigay-daan sa iyo na tukuyin ang bilang ng mga manggagawa at parameter server nang tahasan.
Gayunpaman, habang maaari mong tukuyin ang bilang ng mga makina, hindi mo maaaring direktang tukuyin ang uri ng mga makina na ginagamit sa pagsasanay. Ang uri ng mga machine na ginamit ay tinutukoy ng scale tier at paunang tinukoy ng Google Cloud AI Platform. Ang bawat scale tier ay may default na uri ng makina na nauugnay dito, na na-optimize para sa ibinigay na scale tier. Halimbawa, ang BASIC scale tier ay gumagamit ng n1-standard-1 na uri ng makina, habang ang STANDARD_1 scale tier ay gumagamit ng n1-standard-4 na uri ng makina.
Kung kailangan mo ng higit pang kontrol sa mga uri ng machine na ginagamit sa pagsasanay, maaari kang gumamit ng mga custom na container gamit ang Cloud AI Platform. Gamit ang mga custom na lalagyan, maaari kang bumuo at mag-deploy ng iyong sariling larawan ng pagsasanay, na nagbibigay-daan sa iyong tukuyin ang mga uri ng makina at iba pang dependency na kinakailangan para sa pagsasanay. Sa pamamagitan ng paggawa ng custom na lalagyan, mayroon kang kakayahang umangkop upang tukuyin ang eksaktong mga uri ng makina na angkop sa iyong mga pangangailangan sa pagsasanay.
Kapag gumagamit ng distributed ML model training sa Google Cloud AI Platform, maaari mong tukuyin ang bilang ng mga machine na ginagamit para sa pagsasanay sa pamamagitan ng CMLE model deployment configuration file. Gayunpaman, hindi mo maaaring direktang tukuyin ang uri ng mga makina na ginamit, dahil ito ay tinutukoy ng scale tier. Kung kailangan mo ng higit pang kontrol sa mga uri ng makina, maaari mong gamitin ang mga custom na container upang bumuo at mag-deploy ng sarili mong larawan ng pagsasanay.
Iba pang kamakailang mga tanong at sagot tungkol sa EITC/AI/GCML Google Cloud Machine Learning:
- Ano ang text to speech (TTS) at kung paano ito gumagana sa AI?
- Ano ang mga limitasyon sa pagtatrabaho sa malalaking dataset sa machine learning?
- Magagawa ba ng machine learning ang ilang dialogic na tulong?
- Ano ang TensorFlow playground?
- Ano ba talaga ang ibig sabihin ng mas malaking dataset?
- Ano ang ilang halimbawa ng mga hyperparameter ng algorithm?
- Ano ang pag-aaral ng ensemble?
- Paano kung ang napiling machine learning algorithm ay hindi angkop at paano makasigurado na piliin ang tama?
- Kailangan ba ng isang machine learning model ang pangangasiwa sa panahon ng pagsasanay nito?
- Ano ang mga pangunahing parameter na ginagamit sa mga algorithm na nakabatay sa neural network?
Tingnan ang higit pang mga tanong at sagot sa EITC/AI/GCML Google Cloud Machine Learning