python - 谷歌云 - 计算引擎 VS 机器学习

Question

有谁知道使用 Google Cloud Machine Learning 与使用 Google Cloud Engine 中的虚拟机实例有什么区别？

我将 Keras 与 Python 3 一起使用，感觉 GML 的限制更多(使用 python 2.7，旧版本的 TensorFlow，必须遵循给定的结构......)。我想它们是在 GCE 中使用 GML 而不是 VM 的好处，但我想知道它们是什么。

Answer 1

Google Cloud ML 是一项完全托管的服务，而 Google Compute Engine 不是(后者是 IaaS )。

假设你只是想知道当你有自己的模型时的一些差异，这里有一些:

• Google CloudML 最显着的特点是部署本身。您不必处理诸如设置您的集群(即缩放)、启动它、安装软件包和部署您的模型进行训练。这一切都是自动完成的，并且您必须在 Compute Engine 中自己完成，尽管您可以安装的内容不受限制。

  尽管您可以或多或少地自动化所有这些部署，但是对它来说没有魔力。实际上，您可以在 CloudML 的日志中看到一个训练工作，从集群的意义上来说，它是相当初级的启动实例，然后安装 TF，您的模型使用您设置的选项运行。这是由于 TensorFlow是一个与 Google 系统分离的框架。

• 但是，CloudMl 与 Compute 之间存在实质性差异预测引擎。这就是你付出的代价大多数情况下我会说 CloudML。您可以在中部署模型CloudML 非常适合开箱即用的在线和批量预测。在 Compute Engine 中，您必须处理所有的怪癖 TensorFlow Serving这不是那么微不足道(与训练你的模型)。

• CloudML 的另一个优势是超参数调整。没有了不仅仅是一个有点聪明的暴力破解工具来找出最好的给定模型的参数组合，您可以可能在 Compute Engine 中将其自动化，但您必须这样做找出优化算法以找到的那一部分将改善目标的参数和值的组合函数(通常最大化您的准确性或减少您的损失)。

• 最后，两种服务的定价略有不同。直到 recently ，CloudML 的定价与其他竞争对手成对(您需要为训练和预测的计算时间付费，但也可以为每个预测付费，您可以将其与 Compute Engine 中的计算时间进行比较)。但是，现在您只需为计算时间付费(甚至比以前更便宜)，这可能导致在大多数情况下，在 Compute Engine 中管理和扩展您自己的集群(使用 TensorFlow)的想法毫无用处。

  <