Quando utilizzi l'addestramento del modello di machine learning (ML) distribuito su Google Cloud AI Platform, puoi infatti utilizzare il file di configurazione per la distribuzione del modello CMLE (Cloud Machine Learning Engine) per definire il numero di macchine utilizzate nell'addestramento. Non è però possibile definire direttamente la tipologia di macchine che verranno utilizzate.
Nel training del modello ML distribuito, il file di configurazione della distribuzione del modello CMLE consente di specificare il livello di scalabilità per il training. Il livello di scala determina il numero e il tipo di macchine utilizzate nel lavoro di formazione. Le opzioni del livello di scala vanno da BASIC a PERSONALIZZATO, con ciascun livello che ha un numero predefinito di lavoratori e server di parametri. Selezionando il livello di scala appropriato, puoi controllare il numero di macchine utilizzate per l'addestramento.
Ad esempio, se si sceglie il livello di scala BASIC, utilizzerà un singolo lavoratore e nessun server di parametri. Se invece si sceglie il livello di scala STANDARD_1, utilizzerà un lavoratore e un server dei parametri. Il livello di scala PREMIUM_1 utilizza un lavoratore e quattro server di parametri, mentre il livello di scala CUSTOM consente di specificare in modo esplicito il numero di lavoratori e server di parametri.
Tuttavia, sebbene sia possibile definire il numero di macchine, non è possibile specificare direttamente il tipo di macchine utilizzate nell'addestramento. Il tipo di macchine utilizzate è determinato dal livello di scala ed è predefinito da Google Cloud AI Platform. A ogni livello di scala è associato un tipo di macchina predefinito, ottimizzato per il livello di scala specificato. Ad esempio, il livello di scala BASIC utilizza il tipo di macchina n1-standard-1, mentre il livello di scala STANDARD_1 utilizza il tipo di macchina n1-standard-4.
Se hai bisogno di un maggiore controllo sui tipi di macchine utilizzate nella formazione, puoi utilizzare contenitori personalizzati con Cloud AI Platform. Con i contenitori personalizzati, puoi creare e distribuire la tua immagine di addestramento, che ti consente di specificare i tipi di macchina e altre dipendenze richieste per l'addestramento. Creando un contenitore personalizzato, hai la flessibilità di definire i tipi esatti di macchine che si adattano alle tue esigenze di formazione.
Quando utilizzi l'addestramento del modello ML distribuito su Google Cloud AI Platform, puoi definire il numero di macchine utilizzate per l'addestramento tramite il file di configurazione della distribuzione del modello CMLE. Tuttavia, non è possibile specificare direttamente il tipo di macchine utilizzate, poiché è determinato dal livello di scala. Se hai bisogno di un maggiore controllo sui tipi di macchine, puoi sfruttare i contenitori personalizzati per creare e distribuire la tua immagine di formazione.
Altre domande e risposte recenti riguardanti EITC/AI/GCML Google Cloud Machine Learning:
- Cos'è la sintesi vocale (TTS) e come funziona con l'intelligenza artificiale?
- Quali sono le limitazioni nel lavorare con set di dati di grandi dimensioni nell'apprendimento automatico?
- Il machine learning può fornire assistenza dialogica?
- Cos'è il parco giochi TensorFlow?
- Cosa significa effettivamente un set di dati più grande?
- Quali sono alcuni esempi di iperparametri dell'algoritmo?
- Cos’è l’apprendimento d’insieme?
- Cosa succede se l'algoritmo di machine learning scelto non è adatto e come si può essere sicuri di selezionare quello giusto?
- Un modello di machine learning necessita di supervisione durante il suo addestramento?
- Quali sono i parametri chiave utilizzati negli algoritmi basati sulle reti neurali?
Visualizza altre domande e risposte in EITC/AI/GCML Google Cloud Machine Learning
Altre domande e risposte:
- Settore: Intelligenza Artificiale
- programma: EITC/AI/GCML Google Cloud Machine Learning (vai al programma di certificazione)
- Lezione: Piattaforma AI di Google Cloud (vai alla lezione correlata)
- Argomento: Modelli di addestramento con contenitori personalizzati su Cloud AI Platform (vai all'argomento correlato)