Có ai biết sự khác biệt giữa việc sử dụng Google Cloud Machine Learning so với phiên bản Máy ảo trong Google Cloud Engine không?Google Cloud - Compute Engine VS Machine Learning
Tôi đang sử dụng Keras với Python 3 và cảm thấy như GML hạn chế hơn (sử dụng python 2.7, phiên bản cũ hơn của TensorFlow, phải tuân theo cấu trúc đã cho ...). Tôi đoán chúng là lợi ích của việc sử dụng GML trên máy ảo trong GCE nhưng tôi muốn biết chúng là gì.
Tôi chạy TF trên các máy ảo Ubuntu đơn giản trong Compute Engine, và ở đó bạn có rất nhiều tính linh hoạt trên thư viện để sử dụng/etc. Hình thành những gì tôi hiểu trong CloudML rất nhiều thứ được thực hiện cho bạn đằng sau hậu trường và vì vậy nó thuận tiện hơn, nhưng bạn có ít linh hoạt hơn. Tôi nghĩ một điều lớn liên quan đến CloudML là họ thực sự sử dụng TPU? Tôi đã không nhìn thấy TPU đang có sẵn trong Compute Engine, do đó, nó chỉ là CPU thường xuyên và bây giờ GPU (altho vẫn chưa quản lý để làm cho một công việc cho tôi !!). Ngoài ra, về mặt giá cả, với máy ảo bạn chỉ trả tiền cho thời gian sử dụng, nhưng với CloudML thì nó phức tạp hơn một chút –
Có vẻ như cho nhu cầu của tôi (đào tạo nhanh hơn và không sử dụng máy tính cá nhân của tôi), không có lợi ích thực sự khi sử dụng Cloud ML. Về TPU: chúng không có sẵn ngay bây giờ, nhưng chúng cũng sẽ có sẵn cho Compute Engine. [Bạn có thể kết nối với Cloud TPU từ các loại máy ảo tùy chỉnh] (https://cloud.google.com/tpu/). Tôi đoán câu hỏi duy nhất còn lại của tôi là liệu tôi có nên sử dụng công cụ tối ưu hóa thông số siêu (cho Cloud ML) hay tôi có thể sử dụng công cụ khác trong VM (ví dụ: HyperOpt). – smichaud
Để tối ưu hóa Hyperparameters, sử dụng công cụ VM thay vì sau đó là đám mây ML –