Google Cloud ML 入門 – TenosorFlow クラウド・フレームワーク
Google Cloud Machine Learning がパブリック・ベータになりましたので試してみました。
Google Cloud ML は TensorFlow フレームワークをベースに機械学習モデルを簡単に構築してモデルを利用可能なフルマネージド・プラットフォームです。GCP と統合され、Google Cloud Dataflow、BigQuery、Cloud Storage そして Cloud Datalab のようなクラウド・ツールとも連携しています。
新しい特徴として自動的に予測精度を改善する HyperTune もあります。 [詳細] (10/17/16)
Google Cloud ML 入門 (2) – TensorFlow 分散訓練 & ハイパーパラメータ調整
Google Cloud ML 入門 (1) の続編です。先の入門 (1) では Google Cloud ML パブリック Beta のクライアント環境のセットアップと MNIST のシングル・ワーカー・ジョブの投入までを試しました。入門 (2) では Cloud ML の TensorFlow 分散トレーニングの方法から始めてハイパーパラメータ調整を行ないます。ハイパーパラメータ調整の機能はモデル精度をあげるためにより良いパラメータ値を自動的に見つけることができます。 [詳細] (10/23/16)
Google Cloud ML 入門 (3) – 予測
入門 (1) ではクライアント環境のセットアップとシングル・ワーカー・ジョブの投入を試し、入門 (2) では TensorFlow 分散訓練の方法及びハイパーパラメータ調整を試しました。
入門 (3) では予測を主題として Cloud ML 上で TensorFlow モデルをサービス提供する方法を扱います。トレーニングしたモデルに対してオンラインとバッチ予測リクエストの両方を送ることができます。[詳細] (10/24/16)
Google Cloud ML 入門 (4) – Datalab
入門 (4) では Docker コンテナを使用して Cloud Datalab を試します。
Cloud Datalab はデータ処理のために jupyter ベースの対話的な notebook 環境を提供します。Cloud Datalab は Google Cloud ML と協調的に使用することが可能で、機械学習に特に適合する幾つかの機能も用意されています。 [詳細] (10/25/16)
Google Cloud Datalab notebook を GCP で実行
Docker 環境において Datalab の導入を行なう、上記「Google Cloud ML 入門 (4) – Datalab」とは別に、GCE ベースでインストールしてみました。GCP 上で Cloud Datalab 全体をどのようにセットアップして実行するかを示します。
GCP 上で Cloud Datalab を実行した場合、GCE VM のリソースが notebook に活用できる、Google Cloud Strage データに直接アクセス可能、ローカルマシンに Docker をインストール不要といったメリットがあります。 [詳細] (10/25/16)
Google Cloud ML のための TensorFlow アプリケーション作法
Google Cloud ML 予測サービスを利用するためには、TensorFlow アプリケーションを Cloud ML の要求仕様に従って作成し、モデルを配備する必要があります。
本記事では具体的なコード追加やパッケージ化のポイントについてまとめてみました。入門編と本ドキュメントで Google Cloud ML の予測サービスが利用可能になります。 [詳細] (10/31/16)