Entwicklungsumgebung

Als Teil einer Reihe von Technologien, die eine Lösung für maschinelles Lernen ausmachen, erfordert Cloud Machine Learning Engine eine Entwicklungsumgebung mit sorgfältig konfigurierten Voraussetzungen und Abhängigkeiten. Auf dieser Seite werden die einzelnen Komponenten Ihrer Entwicklungsumgebung und die Probleme, die mit ihnen einhergehen, beschrieben.

Python-Versionsunterstützung

Cloud ML Engine führt standardmäßig Python 2.7 aus.

Python 3.5 steht ab Cloud ML Engine-Laufzeitversion 1.4 zur Verfügung. Sie können die Python-Version für Ihren Trainingsjob in einer Konfigurationsdatei oder mit dem Befehl gcloud 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 Cloud ML Engine-Laufzeit-Images 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

Cloud ML Engine unterstützt folgende Frameworks:

Google Cloud Platform-Konto

Sie müssen ein GCP-Konto mit aktivierter Abrechnung und ein Projekt mit der Cloud Machine Learning Engine API haben, mit dem Sie auf alle Cloudfunktionen von Cloud ML Engine zugreifen 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:

  • Berücksichtigen Sie die verfügbaren Regionen für Cloud ML Engine-Dienste, einschließlich Modelltraining auf GPUs und anderer Hardware sowie Online-/Batchvorhersage.

  • Sie sollten Ihre Cloud ML Engine-Jobs immer in der gleichen Region wie den Google Cloud Storage-Bucket ausführen, den Sie verwenden, um Daten für den Job zu lesen und zu schreiben.

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

Weitere Informationen

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

Feedback geben zu...

AI Platform für TensorFlow