Дійсно, може. У Google Cloud Machine Learning є функція під назвою Cloud Machine Learning Engine (CMLE). CMLE надає потужну та масштабовану платформу для навчання та розгортання моделей машинного навчання в хмарі. Це дозволяє користувачам читати дані з хмарного сховища та використовувати навчену модель для висновків.
Коли справа доходить до читання даних із хмарного сховища, CMLE пропонує бездоганну інтеграцію з різними варіантами зберігання, включаючи Google Cloud Storage. Користувачі можуть зберігати свої навчальні дані, а також будь-які інші відповідні файли у відрах хмарного сховища. Потім CMLE може отримати доступ до цих сегментів і прочитати дані під час процесу навчання. Це забезпечує ефективне та зручне керування даними, а також можливість використовувати великі набори даних, які можуть перевищувати ємність локального сховища.
Що стосується використання навченої моделі, CMLE дозволяє користувачам вказати навчену модель, яка зберігається в хмарному сховищі для завдань прогнозування. Коли модель навчена та збережена в хмарному сховищі, CMLE може легко отримати до неї доступ і використовувати її для прогнозування нових даних. Це особливо корисно, коли необхідно розгорнути навчену модель і робити прогнози в реальному часі у виробничому середовищі.
Щоб проілюструвати цю концепцію, розглянемо сценарій, у якому модель машинного навчання навчена класифікувати зображення. Навчена модель зберігається у відрі хмарного сховища. За допомогою CMLE користувачі можуть вказати розташування навченої моделі в хмарному сховищі та розгорнути її як кінцеву точку. Потім цю кінцеву точку можна використовувати для надсилання нових зображень для класифікації. CMLE зчитує навчену модель із хмарного сховища, виконає необхідні обчислення та надасть прогнози на основі вхідних зображень.
CMLE справді має можливість читати дані з хмарного сховища та вказувати навчену модель для висновку. Ця функція дозволяє ефективно керувати даними та розгортати навчені моделі в реальних програмах.
Інші останні запитання та відповіді щодо Прогрес у машинному навчанні:
- Які обмеження існують у роботі з великими наборами даних у машинному навчанні?
- Чи може машинне навчання надати певну діалогову допомогу?
- Що таке ігровий майданчик TensorFlow?
- Чи заважає режим eager функціональності розподіленого обчислення TensorFlow?
- Чи можна використовувати хмарні рішення Google для відокремлення обчислень від сховища для більш ефективного навчання моделі ML із великими даними?
- Чи пропонує Google Cloud Machine Learning Engine (CMLE) автоматичне отримання та конфігурацію ресурсів і вимикає ресурс після завершення навчання моделі?
- Чи можна навчити моделі машинного навчання на довільно великих наборах даних без збоїв?
- Чи вимагає створення версії вказувати джерело експортованої моделі під час використання CMLE?
- Чи можна Tensorflow використовувати для навчання та висновків глибоких нейронних мереж (DNN)?
- Що таке алгоритм посилення градієнта?
Більше запитань і відповідей див. у розділі Просування машинного навчання