Opravdu, může. Ve službě Google Cloud Machine Learning existuje funkce nazvaná Cloud Machine Learning Engine (CMLE). CMLE poskytuje výkonnou a škálovatelnou platformu pro školení a nasazení modelů strojového učení v cloudu. Umožňuje uživatelům číst data z cloudového úložiště a využívat trénovaný model pro odvození.
Pokud jde o čtení dat z cloudového úložiště, CMLE nabízí bezproblémovou integraci s různými možnostmi úložiště, včetně Google Cloud Storage. Uživatelé mohou ukládat svá tréninková data, stejně jako jakékoli další relevantní soubory, do bucketů cloudového úložiště. CMLE pak může přistupovat k těmto bucketům a číst data během tréninkového procesu. To umožňuje efektivní a pohodlnou správu dat a také možnost využívat velké datové sady, které mohou přesáhnout kapacitu místního úložiště.
Pokud jde o použití trénovaného modelu, CMLE umožňuje uživatelům specifikovat trénovaný model uložený v cloudovém úložišti pro predikční úlohy. Jakmile je model trénován a uložen do cloudového úložiště, může být snadno přístupný a využitelný v CMLE pro vytváření předpovědí nových dat. To je zvláště užitečné, když je potřeba nasadit trénovaný model a provádět předpovědi v reálném čase v produkčním prostředí.
Pro ilustraci tohoto konceptu zvažte scénář, kdy byl model strojového učení trénován pro klasifikaci obrázků. Trénovaný model je uložen v cloudovém úložiště. Pomocí CMLE mohou uživatelé určit umístění trénovaného modelu v cloudovém úložišti a nasadit jej jako koncový bod. Tento koncový bod lze poté použít k odeslání nových obrázků ke klasifikaci. CMLE načte trénovaný model z cloudového úložiště, provede potřebné výpočty a poskytne předpovědi na základě vstupních obrázků.
CMLE skutečně má schopnost číst data z cloudového úložiště a specifikovat trénovaný model pro odvození. Tato funkce umožňuje efektivní správu dat a nasazení trénovaných modelů v reálných aplikacích.
Další nedávné otázky a odpovědi týkající se Pokrok ve strojovém učení:
- Když je jádro rozvětveno daty a originál je soukromý, může být rozvětvené jádro veřejné, a pokud ano, nejedná se o porušení soukromí?
- Jaká jsou omezení při práci s velkými datovými sadami ve strojovém učení?
- Dokáže strojové učení nějakou dialogickou pomoc?
- Co je hřiště TensorFlow?
- Brání režim Eager distribuované výpočetní funkci TensorFlow?
- Lze cloudová řešení Google použít k oddělení výpočetní techniky od úložiště pro efektivnější trénování modelu ML s velkými daty?
- Nabízí Google Cloud Machine Learning Engine (CMLE) automatické získávání a konfiguraci zdrojů a zpracovává vypnutí zdrojů po dokončení školení modelu?
- Je možné trénovat modely strojového učení na libovolně velkých souborech dat bez škytavky?
- Vyžaduje při použití CMLE vytvoření verze zadání zdroje exportovaného modelu?
- Lze Tensorflow použít pro trénink a odvození hlubokých neuronových sítí (DNN)?
Další otázky a odpovědi naleznete v části Pokrok ve strojovém učení