Google Cloud - Compute Engine VS Machine Learning

Question

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?

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.

Answer 1

Google Cloud ML là một dịch vụ được quản lý hoàn toàn trong khi Google Compute Engine không phải là (sau này là IaaS).

Giả sử rằng bạn chỉ muốn biết một số khác biệt đối với trường hợp khi bạn có mô hình riêng của bạn, ở đây bạn có một số:

• Các tính năng đáng chú ý nhất của Google CloudML là việc triển khai riêng của mình. Bạn không cần phải quan tâm đến những thứ như thiết lập cụm (có nghĩa là, mở rộng quy mô), khởi chạy nó, cài đặt các gói và triển khai mô hình của bạn để đào tạo. Tất cả điều này được thực hiện tự động và bạn sẽ phải tự làm điều đó trong Compute Engine mặc dù bạn sẽ không bị giới hạn ở những gì bạn có thể cài đặt.

  Mặc dù tất cả triển khai đó bạn có thể tự động hóa nhiều hơn hoặc ít hơn, ở đó là không có phép thuật. Trên thực tế, bạn có thể thấy trong nhật ký của CloudML cho một công việc đào tạo rằng nó khá thô sơ theo nghĩa là một cụm trường hợp được khởi chạy và sau đó TF được cài đặt và mô hình của bạn được chạy với các tùy chọn bạn đã đặt. Điều này là do TensorFlow là một khuôn khổ được tách riêng khỏi các hệ thống của Google.

• Tuy nhiên, có sự khác biệt về tài chính của CloudMl so với tính toán Động cơ khi nói đến dự đoán. Và đó là những gì bạn trả cho chủ yếu tôi sẽ nói với CloudML. Bạn có thể triển khai mô hình trong CloudML để dự đoán trực tuyến và hàng loạt ra khỏi hộp khá nhiều. Trong Compute Engine, bạn sẽ phải chăm sóc tất cả các quirks của TensorFlow Serving mà không phải là tầm thường (so với đào tạo mô hình của bạn).

• Một ưu điểm khác của CloudML là điều chỉnh siêu tham số. Nó không còn là hơn là một công cụ bắt buộc khá thông minh để tìm ra sự kết hợp tốt nhất của các tham số cho mô hình đã cho, và bạn có thể có thể tự động hóa điều này trong Compute Engine, nhưng bạn phải làm trong các thuật toán tối ưu hóa để tìm sự kết hợp các thông số và giá trị giúp cải thiện chức năng mục tiêu (thường là tối đa hóa độ chính xác hoặc giảm tổn thất của bạn).

• Cuối cùng, giá cả hơi khác nhau trong cả hai dịch vụ. Cho đến khi recently, giá của CloudML phù hợp với các đối thủ cạnh tranh khác (bạn sẽ trả tiền cho thời gian tính toán trong cả đào tạo và dự đoán nhưng cũng theo dự đoán mà bạn có thể so sánh với thời gian tính toán trong Compute Engine). Tuy nhiên, bây giờ bạn sẽ chỉ trả tiền cho thời gian tính toán đó (và nó thậm chí còn rẻ hơn trước), điều này có thể ám chỉ ý tưởng quản lý và mở rộng cụm của riêng bạn (với TensorFlow) trong Compute Engine vô dụng trong hầu hết các kịch bản.