8

Google Cloud Makine Öğrenimi'nin Google Cloud Engine'deki bir Sanal Makine örneğiyle karşılaştırması arasındaki farkın ne olduğunu bilen var mı?Google Cloud - Compute Engine VS Makine Öğrenimi

Python 3 ile Keras kullanıyorum ve GML'nin daha kısıtlayıcı olduğunu hissediyorum (python 2.7, TensorFlow eski sürümü kullanılarak, verilen yapıya uymalıdır ...). GML'de GML'yi kullanmanın faydaları sanırım, ama ne olduklarını bilmek istiyorum.

+0

Compute Engine'de basit Ubuntu VM'leri üzerinde TF'yi çalıştırıyorum ve orada hangi kütüphanelerin/etc kullanacağı konusunda çok fazla esneklik var. CloudML'de anladığım şeyi, sahnelerin ardında sizin için bir çok şey yapılıyor ve bu yüzden daha kullanışlı, ancak daha az esnekliğe sahipsiniz. CloudML ile ilgili büyük bir şeyin aslında TPU kullanıyor olmaları olduğunu düşündüm? TPU'ların Compute Engine'de mevcut olduğunu görmedim, bu yüzden sadece düzenli CPU'lar ve şimdi GPU'lar (altho hala benim için bir iş yapmamıştı!). Ayrıca, fiyatlandırma açısından, VM'lerle sadece kullanım süresini ödersiniz, ancak CloudML ile biraz daha zor –

+0

Benim ihtiyaçlarım için (kişisel bilgisayarımı daha hızlı ve daha hızlı eğitim), kullanımın gerçek faydaları yok gibi görünüyor. Bulut ML. TPU'lar ile ilgili olarak: Artık mevcut değildir, ancak Compute Engine için de kullanılabilirler. [Cloud TPU'lara özel VM türlerinden bağlayabilirsiniz] (https://cloud.google.com/tpu/). Şimdi tek sorum şu ki, hiper parametreleri eniyileme aracını (Cloud ML için) kullanıp kullanamayacağımı/kullanmam gerektiğini mi yoksa VM'de (yani HyperOpt) başka bir aracı kullanıp kullanamayacağımı tahmin ediyorum. – smichaud

+0

Hyperparameters optimizasyonu için, VM araçlarını kullanın, daha sonra bulut ML –

cevap

2

Google Cloud ML tamamen yönetilen bir hizmettir, Google Compute Engine ise (ikincisi IaaS).

  • tarihinde CloudML en göze çarpan özelliği dağıtım kendisidir: sadece, kendi modelini varken durum için bazı farklılıklar bilmek istiyorum varsayarsak

    burada biraz var. kümenizi (yani, ölçeklendirmeyi) ayarlamak, başlatmak, paketleri yüklemek ve modelinizi eğitim için dağıtmak gibi şeylere dikkat etmeniz gerekmez. Tüm bunlar otomatik olarak yapılır ve , Compute Engine'de kendiniz yapmanız gerekecek, ancak ne yükleyebildiğiniz konusunda sınırsız olacaksınız.

    Tüm bu dağıtımlar daha fazla veya daha azını otomatikleştirebilmenize rağmen, bunun için bir sihir değildir. Aslında, bir eğitim işi için CloudML günlüklerinde, bir kümenin kümesinin başlatılması ve daha sonra TF'nin kurulu olduğu ve modelinizin ayarladığınız seçenekler ile çalıştırılması açısından oldukça ilkel olduğunu görebilirsiniz. Bunun nedeni, Google sistemlerinden ayrılan bir çerçeve olan TensorFlow . Bununla birlikte, tahmin geldiğinde CloudMl ile Compute Motor'un alt boyutsal bir farkı vardır. Ve bu, için, çoğunlukla CloudML ile söyleyebileceğiniz şeydir. Çevrim içi ve toplu tahmin için kutudan çıktığı için CloudML'de dağıtılmış bir modele sahip olabilirsiniz. Compute Engine'de, TensorFlow Serving'daki tüm tuhaflıklara dikkat etmelisiniz ki bu da önemsiz değil (modelinize göre ile karşılaştırıldığında).

  • CloudML'nin bir başka avantajı da hiper parametre ayarlamasıdır. Daha fazla , sizin verdiğiniz model için en iyi parametrelerinin kombinasyonunu bulmak için biraz zeki bir kaba-zorlama aracından daha fazla değildir ve muhtemelen bunu Compute Engine'de otomatik olarak yapabilir, ancak bu bölümün kısmını yapmanız gerekir nesnesinin işlevini iyileştirecek parametreler ve değerler kombinasyonunu bulmak için optimizasyon algoritmalarını kullanın (genellikle doğruluğunuzu en üst düzeye çıkarın veya kaybınızı azaltın). Son olarak, her iki hizmette de fiyatlandırma biraz farklılık gösterir. recently tarihine kadar, CloudML'nin fiyatlandırması diğer rakiplerle eşleşti (hem eğitim hem de tahmin için hesaplama süresini hesaplarsınız; aynı zamanda Compute Engine'deki hesaplama süresiyle karşılaştırılabilecek tahmin başına ödeme yaparsınız). Ancak, şimdi sadece bilgisayar kullanım süresi için ödeyeceksiniz (ve eskisinden bile daha ucuzdur). Bu da, çoğu senaryoda kullanılmayan Compute Engine'de kendi kümenizi (TensorFlow ile) yönetme ve ölçekleme fikrini ortaya koyar.