Наистина може. В Google Cloud Machine Learning има функция, наречена Cloud Machine Learning Engine (CMLE). CMLE предоставя мощна и мащабируема платформа за обучение и внедряване на модели за машинно обучение в облака. Той позволява на потребителите да четат данни от облачно хранилище и да използват обучен модел за изводи.
Когато става въпрос за четене на данни от облачно хранилище, CMLE предлага безпроблемна интеграция с различни опции за съхранение, включително Google Cloud Storage. Потребителите могат да съхраняват своите данни за обучение, както и всички други подходящи файлове, в контейнери за съхранение в облак. След това CMLE може да получи достъп до тези кофи и да прочете данните по време на процеса на обучение. Това позволява ефективно и удобно управление на данни, както и възможност за използване на големи масиви от данни, които може да надхвърлят локалния капацитет за съхранение.
По отношение на използването на обучен модел, CMLE позволява на потребителите да посочат обучен модел, съхраняван в облачно хранилище за задачи за прогнозиране. След като моделът бъде обучен и записан в облачно хранилище, той може лесно да бъде достъпен и използван от CMLE за правене на прогнози за нови данни. Това е особено полезно, когато има нужда от внедряване на обучен модел и правене на прогнози в реално време в производствена среда.
За да илюстрирате тази концепция, помислете за сценарий, при който модел на машинно обучение е обучен да класифицира изображения. Обученият модел се съхранява в кофа за съхранение в облак. С CMLE потребителите могат да определят местоположението на обучения модел в облачно хранилище и да го разположат като крайна точка. След това тази крайна точка може да се използва за изпращане на нови изображения за класификация. CMLE ще прочете обучения модел от облачно хранилище, ще извърши необходимите изчисления и ще предостави прогнози въз основа на входните изображения.
CMLE наистина има способността да чете данни от облачно хранилище и да указва обучен модел за извод. Тази функция позволява ефективно управление на данни и внедряване на обучени модели в приложения от реалния свят.
Други скорошни въпроси и отговори относно Напредък в машинното обучение:
- Какви са ограниченията при работа с големи набори от данни в машинното обучение?
- Може ли машинното обучение да окаже някаква диалогична помощ?
- Какво представлява детската площадка TensorFlow?
- Режимът на нетърпение предотвратява ли разпределената изчислителна функционалност на TensorFlow?
- Могат ли облачните решения на Google да се използват за отделяне на компютри от съхранение за по-ефективно обучение на ML модела с големи данни?
- Механизмът за машинно обучение в облака на Google (CMLE) предлага ли автоматично придобиване и конфигуриране на ресурси и обработва ли изключване на ресурси след приключване на обучението на модела?
- Възможно ли е да се обучават модели за машинно обучение върху произволно големи набори от данни без проблеми?
- Когато използвате CMLE, създаването на версия изисква ли да посочите източник на експортиран модел?
- Може ли Tensorflow да се използва за обучение и извеждане на дълбоки невронни мрежи (DNN)?
- Какво представлява алгоритъмът за усилване на градиента?
Вижте още въпроси и отговори в „Напредък в машинното обучение“.