确实可以。 在谷歌云机器学习中,有一个称为云机器学习引擎(CMLE)的功能。 CMLE 提供了一个强大且可扩展的平台,用于在云中训练和部署机器学习模型。 它允许用户从云存储读取数据并利用经过训练的模型进行推理。
在从云存储读取数据时,CMLE 提供与各种存储选项的无缝集成,包括 Google Cloud Storage。 用户可以将训练数据以及任何其他相关文件存储在云存储桶中。 然后,CMLE 可以在训练过程中访问这些存储桶并读取数据。 这可以实现高效、便捷的数据管理,以及利用可能超出本地存储容量的大型数据集的能力。
在使用训练模型方面,CMLE允许用户指定存储在云存储中的训练模型用于预测任务。 一旦模型经过训练并保存到云存储,CMLE 就可以轻松访问和利用它来对新数据进行预测。 当需要部署经过训练的模型并在生产环境中进行实时预测时,这特别有用。
为了说明这个概念,请考虑一个场景,其中机器学习模型已被训练来对图像进行分类。 训练好的模型存储在云存储桶中。 使用 CMLE,用户可以指定云存储中经过训练的模型的位置并将其部署为端点。 然后可以使用该端点发送新图像以进行分类。 CMLE 将从云存储中读取经过训练的模型,执行必要的计算,并根据输入图像提供预测。
CMLE 确实能够从云存储中读取数据并指定经过训练的模型进行推理。 此功能可以实现高效的数据管理以及在实际应用中部署经过训练的模型。
最近的其他问题和解答 机器学习的发展:
- 当内核分叉并且数据为私有时,分叉后的内核可以公开吗?如果可以,这是否不会侵犯隐私?
- 在机器学习中处理大型数据集有哪些限制?
- 机器学习可以提供一些对话帮助吗?
- 什么是 TensorFlow 游乐场?
- Eager 模式会妨碍 TensorFlow 的分布式计算功能吗?
- 谷歌云解决方案能否用于将计算与存储解耦,以便更有效地利用大数据训练机器学习模型?
- Google Cloud Machine Learning Engine (CMLE) 是否提供自动资源获取和配置,并在模型训练完成后处理资源关闭?
- 是否可以在任意大的数据集上毫无问题地训练机器学习模型?
- 使用 CMLE 时,创建版本是否需要指定导出模型的来源?
- Tensorflow 可以用于深度神经网络 (DNN) 的训练和推理吗?
更多问题及解答:
- 领域: 人工智能
- 程序: EITC/AI/GCML Google云机器学习 (前往认证计划)
- 教训: 机器学习的发展 (去相关课程)
- 主题: GCP BigQuery和开放数据集 (转到相关主题)