Wenn Sie das Modelltraining für verteiltes maschinelles Lernen (ML) auf der Google Cloud AI Platform verwenden, können Sie tatsächlich die Konfigurationsdatei für die CMLE-Modellbereitstellung (Cloud Machine Learning Engine) verwenden, um die Anzahl der im Training verwendeten Maschinen zu definieren. Es ist jedoch nicht möglich, den Typ der verwendeten Maschinen direkt zu definieren.
Beim verteilten ML-Modelltraining können Sie in der CMLE-Modellbereitstellungskonfigurationsdatei die Skalierungsstufe für das Training angeben. Die Staffelstufe bestimmt die Anzahl und Art der im Ausbildungsberuf eingesetzten Maschinen. Die Skalierungsstufenoptionen reichen von BASIC bis CUSTOM, wobei jede Stufe über eine vordefinierte Anzahl von Workern und Parameterservern verfügt. Durch Auswahl der entsprechenden Skalierungsstufe können Sie die Anzahl der für das Training verwendeten Maschinen steuern.
Wenn Sie beispielsweise die Skalierungsstufe BASIC wählen, wird ein einzelner Worker und keine Parameterserver verwendet. Wenn Sie hingegen die Skalierungsstufe STANDARD_1 wählen, werden ein Worker- und ein Parameterserver verwendet. Die Skalierungsstufe PREMIUM_1 verwendet einen Worker und vier Parameterserver, während Sie in der Skalierungsstufe CUSTOM die Anzahl der Worker und Parameterserver explizit angeben können.
Während Sie jedoch die Anzahl der Maschinen definieren können, können Sie den Typ der im Training verwendeten Maschinen nicht direkt angeben. Der Typ der verwendeten Maschinen wird durch die Skalierungsstufe bestimmt und von der Google Cloud AI Platform vordefiniert. Jeder Skalierungsstufe ist ein Standardmaschinentyp zugeordnet, der für die jeweilige Skalierungsstufe optimiert ist. Beispielsweise verwendet die Skalierungsstufe BASIC den Maschinentyp n1-standard-1, während die Skalierungsstufe STANDARD_1 den Maschinentyp n1-standard-4 verwendet.
Wenn Sie mehr Kontrolle über die im Training verwendeten Maschinentypen benötigen, können Sie benutzerdefinierte Container mit Cloud AI Platform verwenden. Mit benutzerdefinierten Containern können Sie Ihr eigenes Trainings-Image erstellen und bereitstellen, mit dem Sie die für das Training erforderlichen Maschinentypen und andere Abhängigkeiten angeben können. Durch die Erstellung eines benutzerdefinierten Containers haben Sie die Flexibilität, genau die Maschinentypen zu definieren, die Ihren Schulungsanforderungen entsprechen.
Wenn Sie verteiltes ML-Modelltraining auf der Google Cloud AI Platform verwenden, können Sie die Anzahl der für das Training verwendeten Maschinen über die CMLE-Modellbereitstellungskonfigurationsdatei definieren. Sie können den Typ der verwendeten Maschinen jedoch nicht direkt angeben, da dieser durch die Staffelstufe bestimmt wird. Wenn Sie mehr Kontrolle über Maschinentypen benötigen, können Sie benutzerdefinierte Container nutzen, um Ihr eigenes Trainings-Image zu erstellen und bereitzustellen.
Weitere aktuelle Fragen und Antworten zu EITC/AI/GCML Google Cloud Maschinelles Lernen:
- Was ist Text to Speech (TTS) und wie funktioniert es mit KI?
- Welche Einschränkungen gibt es bei der Arbeit mit großen Datensätzen beim maschinellen Lernen?
- Kann maschinelles Lernen eine dialogische Unterstützung leisten?
- Was ist der TensorFlow-Spielplatz?
- Was bedeutet eigentlich ein größerer Datensatz?
- Was sind einige Beispiele für Hyperparameter von Algorithmen?
- Was ist Ensemble-Lernen?
- Was passiert, wenn ein ausgewählter Algorithmus für maschinelles Lernen nicht geeignet ist und wie kann man sicherstellen, dass man den richtigen Algorithmus auswählt?
- Benötigt ein maschinelles Lernmodell während seines Trainings eine Betreuung?
- Welche Schlüsselparameter werden in auf neuronalen Netzwerken basierenden Algorithmen verwendet?
Weitere Fragen und Antworten finden Sie in EITC/AI/GCML Google Cloud Machine Learning
Weitere Fragen und Antworten:
- Feld: Artificial Intelligence
- Programm: EITC/AI/GCML Google Cloud Maschinelles Lernen (Gehen Sie zum Zertifizierungsprogramm)
- Lektion: Google Cloud AI-Plattform (Gehen Sie zur entsprechenden Lektion)
- Thema: Trainingsmodelle mit benutzerdefinierten Containern auf der Cloud AI-Plattform (Gehen Sie zum verwandten Thema)