Weiß jemand, was der Unterschied zwischen der Verwendung von Google Cloud Machine Learning im Vergleich zu einer Virtual Machine-Instanz in der Google Cloud Engine ist?Google Cloud - Compute Engine VS Maschinelles Lernen
Ich benutze Keras mit Python 3 und fühle mich wie GML ist restriktiver (mit Python 2.7, ältere Version von TensorFlow, muss die gegebene Struktur folgen ...). Ich denke, sie sind Vorteile der Verwendung von GML über eine VM in GCE, aber ich würde gerne wissen, was sie sind.
Ich starte TF auf einfachen Ubuntu VMs in Compute Engine, und dort haben Sie eine Menge Flexibilität, welche Bibliotheken/etc. Aus was ich in CloudML verstehe, wird hinter den Kulissen viel für Sie erledigt und so ist es bequemer, aber Sie haben weniger Flexibilität. Ich dachte, eine Sache mit CloudML wäre, dass sie tatsächlich TPUs verwenden? Ich habe nicht gesehen, dass TPUs in Compute Engine verfügbar sind, also sind es nur normale CPUs und jetzt GPUs (noch haben es mir immer noch nicht geschafft, einen für mich zu arbeiten !!). Auch in Bezug auf die Preise, mit VMs zahlen Sie nur für die Nutzungszeit, aber mit CloudML ist es ein bisschen schwieriger –
Es scheint, dass für meine Bedürfnisse (Training schneller und nicht mit meinem PC), gibt es keine wirklichen Vorteile der Verwendung Wolke ML. In Bezug auf TPUs: Sie sind jetzt nicht verfügbar, aber sie werden auch für Compute Engine verfügbar sein. [Sie können eine Verbindung zu Cloud-TPUs über benutzerdefinierte VM-Typen herstellen] (https://cloud.google.com/tpu/). Ich denke, dass meine einzige verbleibende Frage jetzt ist, ob ich das Optimierungstool für Hyperparameter (für Cloud ML) verwenden könnte oder sollte oder ob ich ein anderes Tool in der VM (d. H. HyperOpt) verwenden könnte. – smichaud
Für Hyperparameter-Optimierung, verwenden Sie VM-Tools statt Cloud ML –