Entwicklungsumgebung

Als Teil einer Reihe von Technologien, die zu einer Machine Learning-Lösung beitragen, benötigt AI Platform eine Entwicklungsumgebung mit sorgfältig konfigurierten Voraussetzungen und Abhängigkeiten. Auf dieser Seite werden die einzelnen Komponenten Ihrer Entwicklungsumgebung und die Probleme beschrieben, die mit ihnen einhergehen.

Unterstützung von Python-Versionen

AI Platform führt standardmäßig Python 2.7 aus.

Python 3.5 steht ab AI Platform-Laufzeitversion 1.4 zur Verfügung. Sie können die Python-Version für Ihren Trainingsjob in einer Konfigurationsdatei oder mit gcloud-Befehlen festlegen.

Online- und Batchvorhersage verwenden trainierte Modelle, unabhängig davon, ob sie mit Python 2 oder Python 3 trainiert wurden.

Wenn Sie Ihren Code zwischen Python 2 und Python 3 portieren müssen, können Sie zur Unterstützung Kompatibilitätsbibliotheken wie six verwenden. Six ist standardmäßig in den Laufzeit-Images von AI Platform enthalten.

Root-Zugriff

Wenn Sie Ihre Basisentwicklungsumgebung konfigurieren, benötigen Sie möglicherweise sudo, um Ihre pip-Installation auf macOS oder Linux auszuführen. Wenn Sie jedoch eine virtuelle Umgebung verwenden, benötigen Sie keinen Root-Zugriff, da die Installation außerhalb von betriebssystemgeschützten Systemverzeichnissen stattfindet.

Laufzeitumgebung

Die Konfiguration der virtuellen Maschinen, die das GCP-Projekt in der Cloud ausführen, wird durch die verwendete Laufzeitversion bestimmt.

Virtuelle Python-Umgebungen

Die Python-Konfiguration kann kompliziert sein, vor allem, wenn Sie andere Python-Anwendungen mit verschiedenen Technologien auf dem gleichen Rechner entwickeln. Sie können die Paket- und Versionsverwaltung vereinfachen, indem Sie die Python-Entwicklungsarbeit in einer virtuellen Umgebung ausführen.

Eine virtuelle Python-Umgebung verwaltet einen Python-Interpreter und Pakete, die von der Standardumgebung Ihres Rechners isoliert und nur Ihrem Projekt zugeordnet sind. Sie können virtuelle Umgebungen verwenden, um verschiedene Umgebungen für jedes Ihrer aktuellen Python-Projekte zu konfigurieren, jeweils mit eigener Python-Version und den Modulen, die Sie benötigen.

Es stehen mehrere virtuelle Python-Umgebungen zur Verfügung. Wir empfehlen Anaconda oder ihre kleinere Version Miniconda. Diese haben einen eigenen Manager für virtuelle Umgebungen namens Conda. Anaconda ist eine beliebte Suite von Paketen und Tools, die häufig von Data Scientists verwendet wird.

Frameworks für maschinelles Lernen

AI Platform unterstützt folgende Frameworks:

Google Cloud Platform-Konto

Sie müssen über ein GCP-Konto mit aktivierter Abrechnungsfunktion und ein Projekt mit AI Platform-API für Training und Vorhersagen verfügen, um alle Cloud-Funktionen von AI Platform verwenden zu können. Wenn Sie die GCP bisher noch nicht genutzt haben, finden Sie unter Projektübersicht weitere Informationen.

Cloud Compute-Regionen

Verarbeitungsressourcen werden nach Region und Zeitzone zugewiesen, die den Rechenzentren entsprechen, in denen sich die Ressourcen befinden. Sie sollten einmalige Jobs wie Modelltraining möglichst in der Region ausführen, die Ihrem physischen Standort (oder dem physischen Standort Ihrer Nutzer) am nächsten ist. Dabei ist Folgendes wichtig:

  • Beachten Sie die verfügbaren Regionen für AI Platform-Dienste, einschließlich Modelltraining für GPUs und andere Hardware sowie Online-/Batchvorhersagen.

  • Sie sollten Ihre AI Platform-Jobs immer in derselben Region wie den Google Cloud Storage-Bucket ausführen, den Sie zum Lesen und Schreiben von Daten für den Job verwenden.

  • Sie müssen den regionalen Speichertyp für alle Google Cloud Storage-Buckets verwenden, die Sie zum Lesen und Schreiben von Daten für Ihren AI Platform-Job verwenden.

Weitere Informationen

Hat Ihnen diese Seite weitergeholfen? Teilen Sie uns Ihr Feedback mit:

Feedback geben zu...

AI Platform für TensorFlow