Действительно, может. В Google Cloud Machine Learning есть функция под названием Cloud Machine Learning Engine (CMLE). CMLE предоставляет мощную и масштабируемую платформу для обучения и развертывания моделей машинного обучения в облаке. Это позволяет пользователям считывать данные из облачного хранилища и использовать обученную модель для вывода.
Когда дело доходит до чтения данных из облачного хранилища, CMLE предлагает бесшовную интеграцию с различными вариантами хранения, включая Google Cloud Storage. Пользователи могут хранить данные своих тренировок, а также любые другие соответствующие файлы в сегментах облачного хранилища. Затем CMLE может получить доступ к этим сегментам и прочитать данные во время процесса обучения. Это обеспечивает эффективное и удобное управление данными, а также возможность использовать большие наборы данных, которые могут превышать емкость локального хранилища.
Что касается использования обученной модели, CMLE позволяет пользователям указывать обученную модель, хранящуюся в облачном хранилище, для задач прогнозирования. После того как модель обучена и сохранена в облачном хранилище, CMLE может легко получить к ней доступ и использовать ее для прогнозирования новых данных. Это особенно полезно, когда необходимо развернуть обученную модель и делать прогнозы в реальном времени в производственной среде.
Чтобы проиллюстрировать эту концепцию, рассмотрим сценарий, в котором модель машинного обучения обучена классификации изображений. Обученная модель хранится в сегменте облачного хранилища. С помощью CMLE пользователи могут указать расположение обученной модели в облачном хранилище и развернуть ее в качестве конечной точки. Эту конечную точку затем можно использовать для отправки новых изображений для классификации. CMLE прочитает обученную модель из облачного хранилища, выполнит необходимые вычисления и предоставит прогнозы на основе входных изображений.
CMLE действительно имеет возможность считывать данные из облачного хранилища и указывать обученную модель для вывода. Эта функция позволяет эффективно управлять данными и развертывать обученные модели в реальных приложениях.
Другие недавние вопросы и ответы, касающиеся Развитие машинного обучения:
- Каковы ограничения при работе с большими наборами данных в машинном обучении?
- Может ли машинное обучение оказать некоторую диалогическую помощь?
- Что такое игровая площадка TensorFlow?
- Препятствует ли режим нетерпеливости функциям распределенных вычислений TensorFlow?
- Можно ли использовать облачные решения Google для отделения вычислений от хранилища для более эффективного обучения модели машинного обучения на больших данных?
- Предлагает ли Google Cloud Machine Learning Engine (CMLE) автоматическое получение и настройку ресурсов, а также обеспечивает отключение ресурсов после завершения обучения модели?
- Можно ли без проблем обучать модели машинного обучения на произвольно больших наборах данных?
- При использовании CMLE требует ли создание версии указания источника экспортируемой модели?
- Можно ли использовать Tensorflow для обучения и вывода глубоких нейронных сетей (DNN)?
- Что такое алгоритм повышения градиента?
Посмотреть больше вопросов и ответов в Продвижение в машинном обучении