[Музыка]
поэтому я Роберт это ракеш, что мы собираемся
сегодня делать десять рассказов
очевидно, в какой-то момент мы собираемся
начните с немного фона
почему машинное обучение почему сейчас, а также
некоторые из шагов, которые нам необходимы
способный фактически запускать машинное обучение в
производство , и тогда мы будем идти
через какой — то пример собирались некоторые
демонстрации во второй половине
где мы на самом деле собираемся
посмотрим, как мы можем да вынимают наши
модели и фактически развернуть его и обучить
это и сделать прогнозы, поэтому мы очень
очень заинтересованы в том, что нужно, чтобы получить
машинное обучение в производство, поэтому я
есть кликер где — то на самом деле где
что хорошо там мы идем, спасибо вам, так
машинное обучение в Google не знаю
как многие из вас знакомы с Google
большинство людей знают Google как поиск
компании как рекламную компанию как
мы все больше и больше называем
теперь как облачная компания, с которой мы работаем
очень трудно создать это имя , но это
фото лучше всего описывает, что происходит в
Google Я бы сказал , что 50% от
люди , которые работают на Google также более
более 50% составляют инженеры, и большинство из них
инженеры заняты
что это происходит, когда у нас есть данные
инфраструктуры по всей планете это
Я расскажу вам большую часть истории
поэтому мы собираемся начать с этого
просто чтобы дать вам вид идеи, это
нашей сети в глобальном масштабе, и это
центров обработки данных, которые мы используем для
я говорю вам это
ну, наш опыт Google
в основном, если вы хотите быть в состоянии сделать
машинное обучение, если вы хотите сделать
что-то сказать умное с
ваши данные у вас есть доступ к вашим данным
данные должны где-то жить, чтобы они
все действительно отчасти начинается на
инфраструктуры, прежде чем мы сможем
получить что — либо в производство , мы должны
убедитесь , что все это в порядке
и мы рассмотрим один из
проблемы здесь сегодня, прежде чем мы войдем в
компоненты машинного обучения
в основном очень скоро, как мы
данные процесса на самом деле получить в
место, где мы действительно можем начать делать
что-то с этим
Мне нравится этот слайд, потому что, когда вы
пытаясь что-либо сделать с данными или
машинное обучение, если вы на самом деле не
размышляя о том, как
ты собираешься собрать это вместе
вы будете в конечном итоге в ситуации на
слева, и это то, что у нас было много
опыта в компании на самом деле
узнать , что это берет , чтобы быть в состоянии
наращивать материал и, как правило,
на самом деле часть этой истории, поэтому Google
облака
что наша облачная платформа мы будем говорить
о том, что мы делаем с плотным потоком и
в какой-то момент
но Google Cloud в основном наша цель
с облаком Google — дать вам
возможность вычислить, скажем, в
иначе, чем просто в
разное пространство, так что, например, мы
склонны течь или кубернеты
то , что мы пытаемся сделать , это убедиться ,
что у нас есть платформы с открытым исходным кодом, которые
вы можете использовать для разработки кода и
то мы предоставим вам пространство внутри
Google облака на самом деле запустить это будет
управляемое обслуживание, поэтому, когда вы на самом деле
запустив это в производство, вы не
нужно беспокоиться о том, что вы знаете, как увеличить
вам не нужно беспокоиться о том, чтобы сказать
время простоя тех проблем, которые вы можете
действительно сосредоточиться на функциональности
ваше приложение очень короткое
введение, и я двигаюсь через это
немного немного быстрее, чтобы мы могли получить
на мясо, но это очень
краткий обзор того, что Google Cloud
вы можете видеть, что некоторые из них
см. нашу аналитику данных и машину
так что сегодня мы посмотрим на
и и демо мы будем смотреть на
мы смотрели на углубление вашей сети
Тензорный поток особенно хорош для
я могу создать глубокие нейронные сети
быстрые руки в аудитории, которая
фактически работает над глубокими нейронными сетями
является то , что она сделала некоторые вещи на глубоком
нейронные сети
она из тех людей, что вы сделали некоторые
материал с Tencel Флориди нормально несколько любой
другие рамки, которые вы используете
там, возможно, MX net, и вы хотите кричать
вне рамки, которые они используют в
в настоящий момент о когнитивно-говорящей помощи
us ok caris не рад, что вы упомянули
что одно спасибо, мы вернемся к
что через некоторое время, я думаю, вы
все видели таких, как повстанцы
и машинное обучение в этих последних немногих
лет, и теперь, почему это происходит сейчас?
потому что многие из этих понятий есть
были вокруг в течение довольно долгого времени, это не
что мы решаем, что вы знаете
лет назад с машинным обучением и
нейронные сети — вот некоторые из этих вещей
было вокруг с 60-х годов, я думаю
это, и именно поэтому мы приносим
эти презентации они вместе с
облака это облако играет очень
Важная роль в целом это движение
на самом деле сделать машинное обучение, если вы
подумайте о том, что вам нужно
ингредиенты для хорошего машинного обучения
это, очевидно, хорошие модели и
мы видели в прошлом году, что эти
модели были улучшены
очевидно, когда вы можете начать программирование
и начать фактически все больше и больше
у моделей у вас больше возможностей начать
улучшение тех , вы также должны лучше
хранить большие объемы данных, и вам нужно
о процессоре, и я не знаю, если
любой может идентифицировать это, этот чип
справа
TenPoint видит, что процессор CPU хорош, мы получили
гораздо лучше картина его позже
что-то делает меня вполне счастливым, так что
Google Cloud у нас есть два способа
на самом деле решение машинного обучения один
с десятками, а другой —
управляемая точка доступа с управляемой точкой доступа
то, что мы пытаемся сделать, в нас в этом
Мы хотим демократизировать машину
учимся так, скажем, общие
проблемы, чтобы думать о вещах, таких как OCR
думать о мысли о том, что мы собираемся
посмотрите на демонстрацию в одно мгновение с видео
для вещей, которые мы действительно можем вам знать
мы можем создать эту модель, которую мы можем ее обучать
и мы не можем вывести его на рынок
и вы знаете, что люди могут использовать его в
простой способ , скажем , для разработчика
на самом деле использовать это вложение, которое в их
это может быть естественным
обработка языка, например
перевод, который мы в основном хотим запустить
что, создавая, вы знаете, что легко использовать
открыть api, но для того,
вы на самом деле создаете свои собственные модели
наш подход, и это должно сказать хорошо
давайте создадим фреймворк с открытым исходным кодом и
мы смотрим минутку о том, что
tensorflow и что идея
за архитектурой поворотного этажа
так что вы можете взять свою модель
отправляйтесь и тренируйтесь там, где хотите, или вы
знаю , строить там , где когда — либо вы хотите поезд
это где угодно, а затем место
там, где вы хотите, чтобы вы могли
прогнозы и то, что мы делаем в облаке
пространство фактически предлагает управляемый
где вы можете
модели с напряженным потоком, и мы будем искать
при этом фактически запускать и тренировать
их в облаке также делают
предсказаний, поэтому я собираюсь дать немного
демо одного из этих
и тогда я покажу вам архитектуру
за ним, конечно, я пошел
неправильный способ за секунду демонстрационный эффект
перед тем, как демонстрация начнется
замечательно, что это одно из
эти новые Маки, которые я им давал
Трудно все это день, чтобы я
продолжайте тему сейчас, так что
заявление о том, что несколько коллег
наш положить вместе , чтобы реально использовать наши
видео API, чтобы мы могли делать видео
доступно для поиска, поэтому в этом примере здесь я
собираюсь искать собаку, и это происходит
дать мне все видео, в которых есть собаки
так что мы собираемся перейти на этот
видео Я буду искать собаку здесь, как
хорошо там мы идем
и если я на самом деле
видео я должен уметь видеть, если
есть собака так же, если я пойду
к этому моменту в видео здесь я должен
быть в состоянии видеть это там торт там
мы идем
Я могу продолжать, но вы поняли, что
требуется для создания приложения
как то , как долго вы думаете , он принял
объединить это приложение
дней, это определенно не та, которую мы
думал, что вызов от Кега там
нет нет, тебе нужно работать очень тяжело
что извините, мы сделали тесты на этом
один ребята поставили вместе с
я не буду говорить, что они сделали
много исследований не пары часов
вернемся к презентации этого
это архитектура, и это используется так, что я
или нет, конечно, вы
вы могли бы написать свои тесты, если это
вы знаете приложения, входящие в
производство для меня нет — сначала, но
мы смотрим здесь, что вы можете сделать
с открытым API, так что вы можете сделать с
один из наших API для машинного обучения
так что в основном то, что мы сделали,
видеоролики на облако в хранилище только
хранение объектов у нас есть сервис
функции там слушают, поэтому, когда
видео придет, он сгорит API
вызывать и фактически обрабатывать это видео и
вернуть метаданные, которые будут
о том, что является содержанием этого видео и
он также будет состоять из таких вещей, как
отметка времени, когда вы можете найти, что так
с этими метаданными мы можем тогда обслуживать его
вверх мы используем App Engine здесь , которые являются
платформа как услуга
на самом деле создать небольшой
веб-приложение, и мы связываем это
вместе с elasticsearch, чтобы вы могли
на самом деле искать через тех ,
поиск приложений по этим видео
извините, так что это действительно пример
то, что вы можете собрать вместе
очевидно, если вы собираетесь построить это
для производства правильно ваши тесты и
все остальное, но это пример
без фактического знания
машина узнает, что вы можете создать
вы знаете, используя один из этих api, но
в остальном этот разговор мы будем смотреть
о чем это требуется , чтобы на самом деле сделать
эти модели сами или важно
что вам нужно, чтобы получить эти модели
для производства , так что это Wow наших
интерпретация того, что популярно
воображение машинного обучения так
множество данных сложной математики и магических
результатов это довольно плохая интерпретация
о том, что происходит с машиной, изучающей это
не делает много справедливости все
тяжелая работа , которая входит в его реальность
это сбор данных стоит много
усиление организации этих данных очень дорого
усилий и прежде, чем вы даже сможете подумать
о создании модели,
действительно делаю эти первые два шага, тогда мы
создайте модель тогда
мы должны думать о том, куда мы идем
идти и обучать эту модель, имеющую
данные доступны и т. д. и, наконец, конец
из того, что мы имеем что-то, что мы можем
развертывать, чтобы делать прогнозы так
это мы собираемся вернуться к временам
сегодня, но это архитектура того, как
мы могли бы решить проблему, которая
где мы действительно хотим создать нашу собственную
модели и привести ее к
Есть две линии , которые здесь я просил
вы посмотрите сверху и снизу на
наверху мы в основном смотрим на то, что
это необходимо для тренировки и на дне
мы смотрим на то , что он принимает
на самом деле служат так, что есть несколько вещей
здесь или заслуживает внимания, поэтому мы используем
услуга облачного ml для обоих поездов
наша модель — модель напряженного потока, и мы
используя его, чтобы сделать наши прогнозы, мы
могут быть предсказаны из
мобильный телефон, а также вместо
Собираетесь ли вы знаете , с помощью API вызова
на самом деле получить наше предсказание, которое мы могли бы
фактически развернуть модель, скомпилированную в
телефон, например, если вы хотите сделать
что-то в автономном режиме, но в этом
случай , мы будем смотреть на то, чтобы что
API-запрос, чтобы получить наш результат сверху
мы будем использовать поток данных, мы
будет исследовать то , что поток данных давайте
говорят, что карта создает световые рамки и
это в основном для унифицированной партии и
потоки, и я войду в это в
момент, и вы увидите также внизу
мы также
с использованием потока данных и идея здесь заключается
что все, что вы собираетесь сделать
уметь обучать свои данные и
извлеките эти функции, а затем на самом деле
сделайте эти прогнозы , вероятно, вы
вам нужно будет сделать то же самое, когда вы
фактически делая это предсказание так, если
вы думаете о том, где эти данные
исходя из того, что мне нужно делать
для извлечения необходимых функций
на самом деле сделать этот запрос так не будет
это хорошо , чтобы иметь какое — то
где вы знаете, когда я
работая, возможно, в пакетном режиме или в
потокового режима, я мог бы использовать
таким образом, мы сначала посмотрим на
сбор и организация данных, поэтому я
только собирается брать пример одного из
трудные проблемы, которые мы имеем, когда это
приходит к фактическому сбору данных и
как мы можем это решить, так что эта диаграмма
вот на самом деле, если вы позволите мне спросить
люди, чтобы положить руку, если вы
уже работает с потоковыми данными, если
вы работаете с данными в режиме реального времени и
поднимите руки, если вы делаете вещи
с пакетом, поэтому теперь отложите руки, если
вы довольны тем, как вы обрабатываете
данных и положите свою руку и положите
руки, если вы недовольны тем, как
вы обрабатываете данные, чтобы получить
немного рук, они не очень довольны
время, когда спросите меня об этой партии
они очень счастливы, потому что, когда вы
обработка партии и все
уже выложены для вас так в основном
ваш набор данных завершен, вы знаете
именно то , что вы знаете всю
все население есть, вы знаете
что происходит, вам не нужно ждать
для вещей, чтобы прибыть для вещей
не входить в неправильный порядок или
что вы можете обработать это довольно
удобная для обработки при перемещении
что в потоковом , скажем, пространстве
проблема в том, что вы не знаете, когда
данные будут получены, вы не знаете, если
что данные поступают в правильном порядке
вы не знаете, если вам не хватает данных, поэтому
как вы собираетесь заниматься
эти вещи, прежде чем вы сможете начать
обрабатывая так в этом примере здесь, что
мы будем смотреть на перерабатывает
время и время события и по дну
время события в основном что-то
происходит сейчас и во время обработки
когда мы его получаем, и мы решаем сделать
так что все эти маленькие точки в
наверху наверху есть вид
нам трудно, потому что все они пришли
вы знаете намного позже, чем они были
на самом деле они произошли так, как мы
собираюсь иметь дело с такими, так что это вы
знать то, что мы обычно объясняем
как 10 или 20 слайдов, они пойдут
и попытаться сделать это в
один
если вы посмотрите на идеальный водяной знак
это пунктирная линия да
поэтому это время и процесс события
и время происходит в тот же момент и
если вы сейчас посмотрите на баллы так баллов
поэтому я должен объяснить, что давайте
представьте, что эти данные поступают из
где-то играли в игру, и мы
глядя на одного человека, играющего в игру и
в основном каждый раз, когда они получают
пункты, которые мы отправляем на наш сервер
и затем мы хотим обработать это так , чтобы
первое, что мы делаем здесь, — это создать
эвристический водяной знак, который они здесь видят
водяной знак зеленого цвета, а затем мы рубим
это в Windows, что мы хотим
процесс, и эти окна могут быть исправлены
время, когда они могут скользить, может быть
сеансы зависят от того, что вы знаете
имеем дело в данном конкретном примере
у нас есть фиксированные временные окна, как только
эти окна закрыты, скажем, что это
самая лучшая правая точка
водяной знак , как вы пришли к концу
окна вы можете в основном сделать что-то
с вашими данными так в первом окне
например, как только мы получим это
окно закрывается, мы можем сказать, что у нас есть
оценка пяти секунд закрывается и
так что луч Apache позволяет вам делать
чтобы принять эту идею оконных и
а также принять его в
срабатывание вещей, которые тоже
поздно или слишком рано , так, например , те ,
девять очков, которые мы там забили
на самом деле произошло 202, но мы не
обработайте его на два, так что вы
собираюсь сделать в этот конкретный момент
и в этом случае то, что мы собираемся сделать
фактически накапливает данные в этом
панели , а затем добавить его , чтобы получить
полный результат можно также отказаться от
это действительно зависит от случая использования , но
что мы хотим показать здесь, это луч Apache
является открытой исходной структурой, которую мы можем
снова использовать данные управляемых служб
потоком, чтобы фактически взять наши данные и
собирать наши данные, а затем делать какие-то
MapReduce как обработка на самом деле
иметь эти источники данных, чтобы мы могли
на самом деле наша машина обучения двигаться
позже я просто хотел посмотреть на один из
конкретные проблемы и эти
вещи, как правило,
много больше времени, чем люди ожидают вас
знаете, люди хотят заняться
фактическая часть машинного обучения и в
наш опыт показывает,
сбор данных и обработка
данных требуется значительное количество
так что теперь мы собираемся перейти к
вторая часть
цепь, которая является фактическим созданием
модель, а затем ее использование, как я
делать время
хорошо, хорошо круто, давайте вернемся к
снова, и теперь мы собираемся
перейдите к десятому потоку, чтобы начать с
это очень короткая история напряженности
Я не буду читать все, но
что я расскажу о времени
потока является немного причиной того, почему мы
создала его, когда мы пытались
собственной компании, на самом деле мы
исследователи, работающие над машинным обучением
проблемы, которые они придумали бы
модель — отличное решение, и тогда мы
должны взять это на производство, а затем
было это большое усилие на самом деле
возьмите то, что мы сделали в исследовании и
затем привести его в производство, чтобы мы
необходимо было убедиться, что у нас есть
рамки или проект, который мы могли бы
на самом деле взять то, что мы
в исследовательском пространстве в
обучение пространство и принести что все
пути производства и фактически
пространство предсказания, которое было одним из
ключевые идеи за напряженным потоком другой ключ
идея о напряженном потоке была на самом деле
демократизировать его, чтобы убедиться, что мы
откройте это и получите
сотрудничества и вклада
сообщество в дыре так вы знаете
вы начинаете видеть, что все растет, и вы
улучшать идеи и
материал так растекается на
архитектуры, чтобы на самом деле
скажем, пространство, в котором вы
фактически играя с моделью для
первый раз в пространство, где вы
обучение этой модели тому месту, где
вы собираетесь сделать эти
прогнозы, которые вы думаете о том, какие
архитектуры, которую вы хотите использовать позади
так что в одном случае вы можете захотеть
сделайте это на своем ноутбуке, чтобы вы знали, что используете
ноутбук или что — то рабочее юпитер
на вашем ноутбуке, и вы пытаетесь
знайте, как играть с моделью для
первый раз, но как только вы это сделали
что вы могли бы сказать, что на самом деле это
выглядит интересно, начнем тренироваться
некоторые данные и внезапно ваши ноутбуки
не достаточно хорошо
поэтому вы хотите запустить это в хранилище перекрестных ссылок
вы хотите использовать графические процессоры или
TPS, на который мы смотрим, как только вы
сделал это, и вы подготовили свою модель
вы хотите служить ему так, как хотите
разверните его где-нибудь, и вы хотите быть
в состоянии сделать с ним прогнозы ,
та же структура должна быть в состоянии снова
запустите его в пространстве, где вы можете сделать
предсказания, скажем, из облака
платформу, и она должна быть модой, но
он также должен иметь возможность
небольшое устройство , как Raspberry Pi или а
телефона, чтобы вы могли фактически использовать это
это то, что вы сделали на самом деле
сделайте что-нибудь полезное с этим, чтобы те
идеи были похожи, скажем, в
фон или в том, как мы собирались
на самом деле создать десять, чтобы
вещи о десятках себя поток это
другой системы потока данных, чтобы это
посмотреть все
совершенно очевидно для большинства людей, это случай
соединенных узлов , которые идут
для выполнения определенных функций, которые
узлов всех ребер на самом деле n
мерных массивов или тензоров, следовательно,
назовем тензор тензора тензора a
тензор — многомерный массив, почему
это полезно, но если вы думаете о
нечто вроде сверточной сети
одна из вещей, которые вы хотите сделать
сохраняется некоторая форма данных, поскольку
вы переходите от одного узла к другому
так что вы можете в этом конкретном случае, если
вы просто имели дело с оттенками серого
у вас может быть только один канал
Вы знаете , так матрицу , если вы собираетесь
иметь дело с цветным изображением, которое у вас может быть
три канала и в зависимости от того, что
вид данных, которые вы обрабатываете
может вырасти вы знаете , довольно значительно
и если вы не смогли на самом деле
транспортировать данные между ними
узел к следующему узлу и сохранить его форму
вы не сможете делать такие вещи, как
сверточной выборки, чтобы все, что у вас было бы
сделать чертовски много работы
на самом деле пойти и поставить все это обратно
снова, если вы попытаетесь переместиться
например, в гонке, например
другое имеет состояние, поэтому, когда
мы фактически делаем этот процесс
то, что я мог бы купить, нам нужно идти
и мы должны сохранить это
так что есть что — то еще, что
имеет тенденцию заботиться, а последний
часть архитектуры Tencel является то , что
распределяется, поэтому мы можем фактически запускать
некоторые из этих операций на некоторых из
эти узлы на разных машинах или
разные чипы, так что это действительно добрый
высокоуровневого обзора
архитектура за самим тензорным потоком
тензорный поток написан на C ++, мы имеем
API в C ++ и Python и Python , что это
очевидно, самый популярный
дает вам пример
ну это не дает вам пример этого
показывает вам, как мы
на самом деле используют тензорный поток, так что пирог в
оранжевый — это то, на что мы только что посмотрели, и
мы собираемся сейчас сосредоточиться на
Python front-end, так что есть
количество слоев , которые вы можете работать в
здесь мы уже упоминали Charis Charis
это тот же уровень, что и наш
так что в слоях вы можете пойти
там вы можете создавать все виды
сети и все, что вы хотите, но если
вы работаете на этом уровне,
подумайте о том, как вы собираетесь
распространять его также
так что если вы, как вы собираетесь парализовать
что работа так , что становится для больших
модели довольно сложны довольно быстро
если вы переместили слой на S
mater, поэтому у нас уже есть некоторые общие
оценщики, подобные вещам типа LTM-клеток или
сверточного, но у нас также есть
это возможность создавать пользовательские
оценщик, и если вы используете
оценщик, тогда вам не нужно беспокоиться
о том, как вы можете реально распространять
это или распараллеливать ваши
сети, когда дело доходит до
обучать его
caris работает в том же виде
уровень и выше, что у нас есть, что
совершенно новые консервированные оценки и эти
являются в основном полноценными оценщиками
которые вы в принципе можете использовать в коробке
для конкретного, скажем, регрессии
или проблема классификации, и мы
все больше и больше, но они могут
быть очень распространенными проблемами, как я хочу
чтобы просто запустить регресс на этом, я не
хочу сделать всю работу, это мои данные
вы знаете, что это похоже на вас
просто нужно отобразить форму, а затем
вы можете начать использовать их, чтобы вернуться
к ТПУ снова, так что один из них
о великих вещах, которые мы можем
предложение в этом пространстве — выйти за рамки
GPU так типи эти вещи
бегущая вещь — 180 терафлоп в
чип, поэтому, если вы действительно собираетесь начать
чтобы нравиться тренировать свои модели по шкале
первое поколение ТП, мы были только
использование для вывода и второй
они доступны для
обучение и вывод в облаке
так что вы действительно можете
модель тензорного потока, которая, возможно, вы
работает на вашем собственном сервере и говорит:
на самом деле мне нужно больше энергии для этого
и тогда мы могли бы реально использовать
Использование TP в да в облачном пространстве, поэтому
дать вам пример, например, те числа
Вы знаете , что делает 180 терафлопс ER взгляд
как вам пример, некоторые из наших
модели перевода, которые мы запускали
с цыпленком- котенком возьмите нас несколько
дней для обучения и теперь с их возраста
Использование TP мы можем сделать это в нашем, так что это
реальный вид игрового чейнджера на этом уровне
и с этим мы собираемся перейти к
демо, да, так что я собираюсь показать
вы действительно кодируете правильно, мы все
разработчиков, если я не ошибаюсь так,
кстати, просто чтобы вы поняли, кто
был в i / o в этом году Google i / o и
никто, к сожалению, потому, что если вы
посмотреть TPU это действительно такой большой в
это привет это и это процессор право
представьте, что вычислительная мощность в порядке, что
мы сейчас будем делать
но я покажу вам, как получается
поток может быть использован в наилучшей практике
Ситуация так с тем, что мы называем
Google Cloud ml движок и то, что мы
собираюсь сделать, мы собираемся больше или
менее развивайте модель, которую мы ее тренируем, и мы
проверить его и проверить, я не такой, как
Контекст как модульное тестирование , но увидеть , если
предсказание работает правильно, поэтому пришло время для
некоторые вещи жизни, давайте посмотрим следующий слайд так
что я собираюсь делать сегодня, я собираюсь
сосредоточить внимание на доступных данных и
Набор данных о доходах в переписи Соединенных Штатов Америки
это около 32 000 строк в формате CSV
и да, и это такой набор данных
что у вас есть и что мы собираемся
сделать, как вы можете использовать его для себя
представьте себе какие — либо данные , установленные теперь вы можете использовать его
для себя и начать использовать тензорный поток
очень приятным способом, который позволяет вам
к производству довольно быстро есть
маленькая ошибка на этом слайде она не говорит
comp дополнительный слой, который является
копировать / вставлять все в порядке, это похоже на смущение
любой, чтобы просто дать вам представление об этом
это набор данных, который вы видите здесь.
немного большой, но это для вас, ребята, так
так что это читаемо, но на самом деле мы
попытайтесь классифицировать, если определенное лицо как
могут быть классифицированы как менее 50 тыс.
год или выше или более 50 тыс. в год
вот что мы пытаемся сделать здесь, поэтому
это набор данных, который они собираются
использовать и просто вернуться снова, так что
что мы обычно делаем, и я думаю, что это
целесообразно для всех, а не для
начать кодирование в официальном студийном коде
VI или Emacs, что бы вы ни начали использовать
облако данных данных лабораторных данных больше ничего
чем записная книжка Юпитера, знакомая
с ноутбуками Юпитера хорошо круто
так что для людей , которые не в
факт интерактивной страницы Python, где
вы можете документировать в уценке большую часть
времени и в коде Python и
и изменить пальто и видеть изменения
жизнь, что я собираюсь показать
вы сейчас, что это сразу
доступных на консоли Google Cloud, поэтому
облачная консоль — это среда
где вы можете запускать свои поверхности и
дайте мне посмотреть, где он доступен для чтения
да более или менее
так что вы можете здесь , здесь, на
наверх есть активированная облачная оболочка и
на самом деле , что он делает это создает небольшой , как
Я сказал и пример Linux, где вы можете
и теперь это
и если он есть, я могу начать данные
лабораторный экземпляр и подключиться к нему, так что да
А вот и я
поэтому у меня есть командная строка в моем браузере
это лабораторная лаборатория данных для I
знать двигатель , что это случайное имя самым
как я сделал нажмите ENTER его
поэтому он просит очистить взрыв и
здесь, перейдя в порт 80 80 81, это
порт, где он размещен, я попаду в
данных, где мы можем видеть
ноутбук, так что теперь это
опытный все в облаке я не
установить что-нибудь локально, я просто конвертирую
поэтому просто для того, чтобы дать вам представление о коде
это связано с тем, что мы спросили, где
вы можете, если это немного быстрее, чем это
да, это ноутбук Юпитера здесь
вы можете увидеть часть кода, который я могу запустить
но вся идея состоит в том, чтобы показать вам
что у нас есть среда, в которой вы
может начать экспериментировать с
посещает, который посещает все
потому что это не что-то
вы пишете сразу, это то, что вы
перебирать и протестировать и попробовать его и
Ноутбук Юпитера — это то, что вы
могут использовать для них, поэтому просто дайте вам
немного понять, что на самом деле
оценщик может быть таким, как
пример примера кода здесь вы делаете глубокий
нейронной сети с некоторыми специфическими
стиль классификаторов с парой
параметров, и все, и вот что
мы создаем создание, по-видимому,
100 сотен скрытых единиц, за которыми следуют 70
затем следует 50, а затем 25
уже достаточно глубоко, чтобы представить, что
вы должны запрограммировать это все это
объединили полностью подключенные
сети только этим утверждением, так что
очень красиво и производительность мудрая также
очень хорошая вещь, чтобы сделать это вернемся назад
то следующий шаг в порядке, как я
подготовьте мое приложение код, который вы
просто видел, как вы тренируете его, используя лучшие
практики и использования облака Google
машинный механизм обучения, поэтому мы явно
Положите это так, чтобы у вас была ситуация
где вы говорите местное обучение, чтобы
значит, на моей машине есть только часть
и есть причина, почему я почему-то ее установил
такие записи среды, как доллар
Данные поезда данных и доллар Eval в
почему мы это сделали для
гибкость , и я покажу вам в немного
также, что это все о так просто
одно утверждение, и я могу показать жизнь так, чтобы
просто покажите вам, что мы заменяем
данные поездов с динамическим значением локального
файловой системы в моей системе, а затем, если я
скажите, бегите, потому что я на самом деле на этом
момент запуска кода, и я покажу
вы немного больше , так что вы видите здесь
это тоже очень интересно, поэтому вы видите
здесь предупреждения, они не ошибки, они
на самом деле дает вам сигнал о том, что вы
использование тензорного потока по умолчанию
реализация, построенная для вас
уже, но хорошее преимущество для расстояния
перетекает через источник, вы можете скачать его
вы можете скомпилировать его таким образом все это
предупреждения уходят да и хорошая идея
хорошая часть — это будет быстрее в
время исполнения в конце, потому что оно настроено
для вашей системы в данный момент
видимо, мне не хватает пары флагов
в моей системе, и, как я уже говорил, вы можете
скажем, есть еще одна вещь, которая
приближаться
давайте назовем тензорную доску и здесь, в
где-то здесь вы видите сообщение
да, ты стоишь на борту, чтобы сделать журнал
есть и есть выход, так что это делает
означает , что то , что он в конце концов так 10
поддержка Я собираюсь запустить его DanceSport
есть не что иное, как небольшой Python
приложение , которое упаковано с
тензорный поток все вместе
и это позволяет увидеть, что он открыт
уже
мы на порте 66 Я копирую это это
часть кода вернется в мой браузер
Экземпляр , где это и это
на самом деле довольно интересно, так что теперь у меня есть
перевод инструмента доска , которая позволяет мне
дайте мне больше понимания и что
происходит на самом деле с моей заявкой
какая точность, что я видел точность
является одним из важных условий и
машинное обучение, если оно достаточно высокое
вы получите лучший результат в конце и
это более реальная жизненная ситуация, поэтому вы получаете
здесь есть некоторые графики, и в этот момент
он все еще пытается улучшить
немного, но это не так хорошо и
другое дело, но это некоторые из
пути к вам знают начать расследование
ваш код и начните понимать, что
и если это дает лучшее
результат другой вещи, что вполне
важно, что, как сказал Роберт
это график, который вы пытаетесь
вычислить, в конце концов, так как мгновение назад мы
правильно говорили об оценках
оценщик похож на это одно утверждение
что у нас была глубокая нейронная сеть
вот так вот, это на самом деле график
исполнения, поэтому, если вы нажмете на него
получить гораздо лучшее представление о том, что
происходит на графике, так что это
действительно скрытый слой на слое слоя
слой и т. д., а затем вы получите действительно полностью
подключена довольно большая сеть, и это
это то, что вы получаете довольно быстро, поэтому
хорошая часть — вы можете следить за потоком
вы можете видеть, ведет ли сеть
как вы хотите, и вы также можете начать
думая, как мне настроить его так, чтобы
это отчет Стэна это что — то
вы также получаете бесплатно и весь
вещь , так что я только что сделал я тренировал его
локально и с созданным результатом I
может быть напряженной границей, я могу заглянуть в нее
но, конечно , мы хотим иметь более высокую скорость
мы хотим иметь больше продукции или лучше
поэтому мы можем сделать так, чтобы
только один флаг
сделайте это блюдо красивым, чтобы его
собираюсь сделать, это попытается выяснить
хорошо, что у центрального процессора есть у меня
и что я могу использовать или какие графические процессоры и т. д.
но только один флаг, не меняющий
Я также не меняю
Данные поезда и т. Д. Это все на моем местном
так что следующий шаг после этого
хорошо сейчас это интересно теперь я понял ,
Я мог бы сделать это локально, и мой набор данных
растущий, так что еще одна вещь, которую я могу сделать
я могу запустить эту вещь в
облако Google, так что Google Cloud ml
у двигателя есть концепция, называемая рабочими местами, и в
факт, что у вас есть так,
приложение tensorflow, которое
переключатель параметров, который вы можете сказать
ладно, вот мой пакет более или менее
выполняются в облаке и что вы получаете
заключается в том, что вы получите наконец
выгоду от облака в
фон, поддерживающий ваши расчеты
который может быть довольно тяжелым в зависимости от
их на том, как сказать по размеру
ваши данные, а также в этом случае
Данные поезда и данные eval не
вашей локальной файловой системы, но это
облако Google Облако хранения
так что мы сделали, мы загрузили
файлы в это место и сказали хорошо
теперь , потому что вы находитесь в облаке
среда, в которой вы хотите иметь быстрый доступ
а не сеть, последняя здесь
исполнены там, так что вы собираетесь
получить, если вы это сделаете пару раз
дайте-ка подумать
так что вы видите здесь , что вы получаете
обзор рабочих мест, которые были
выполняется, чтобы вы могли видеть задания, но
не что иное, как просто запрос на отдых
что мы делаем на сервере, это
он и, в конце концов, начинает выполнение
и он записывает свой вывод в
файловая система облачного хранилища Google
потому что и есть причина, по которой вы
хотите идти не один режим подготовки
Конечно, есть способ сделать это на самом деле
в распределенном виде также и это
злоупотребление вычислениями очень интересно в
облако, потому что вы можете решить довольно
легко просто начать обновление до
определенные навыки, которые мы знаем, так что это
шкала по умолчанию просто говорит хорошо
Уиттл — это ситуация, когда у меня есть
меньше параметров или нескольких параметров
и у меня есть глубокая нейронная сеть
вот так вы можете начать использовать, используя
стандартное распределение мы также имеем
другие конфигурации, поэтому с одним
флаг, вы также можете сказать, хорошо, я начинаю использовать
GPU и фактически также начать использовать TP
используйте, если вы хотите так интересно
результатом является то, что
[Музыка]
Мое может быть подавление шума
ситуация здесь десять минут, чтобы пойти о
да , да , я думаю , что это реплика так , что
вы видите, что я сделал перепись один
перепись на единицу и то, что вы также видите
что потребовалось около 10-12 минут, но
мы просто не будем отмечать, что я позволил
запустить распределенную версию того же
код за шесть минут
поэтому представьте себе экономию времени, которую вы
есть, и мы говорили о случае
где Google Translate занял неделю
чтобы тренировать диверсию, которую вы, ребята,
используя также, но использование наконечника, которое вы могли бы сделать
это через пару часов, как действительно
уменьшая, как дни два часа в том
масштаб, и это просто пометить его
поэтому мы экспериментируем, чтобы вы играли с ним и
вы видите выход так, а затем другой
шаг в порядке, наконец, имеет распределенный
модель поезд ты собираешься, да, да
приходите на задний танец, следующий
путь был так на pod в настоящее время на да
еще один извините еще один, так что это было
это стручки использования TP, что мы
на самом деле может предложить в облаке так
они 11 и шпоры стручок половина петафлоп
так что если вы действительно собираетесь тренироваться
что-то идет, и это ты
знать мощную вещь о тензорном потоке
что вы можете просто взять то, что у вас есть
создать и переместить его на эти разные
архитектуры, просто изменив эти
флаги, которые Rockettes просто показали вам
так хорошо, так что теперь у нас есть модель поезда, поэтому
что вы хотите с этим делать?
сделать это положить его в производство права,
должно быть легко и просто, как вы, ребята, знаете
как сделать веб-приложение java
разработки или nodejs или что-то еще
должно быть легко, так что мы сказали , хорошо
прежде всего, вы создаете модель в своем
облачная среда это первый
заявление о создании модели
с именем модели может быть что угодно и
регионе, поэтому в регионе США все причины
почему мы имеем дело с задержкой, но
это другая история, с которой мы можем поговорить
об этом позже, а потом и о том, что
вы делаете, вы создаете версию своего
модель, потому что вы можете ее настроить
вы можете играть с
это может изменить формат, который вы
может быть изменение сети
поэтому, в конце концов , вы можете
иметь подготовленную модель, развернутую в
облако, которое вы можете начать использовать для
так что другие выглядят так вот здесь
У меня есть модель, есть модель переписи
и у него есть конкретная версия, чтобы вы
хочу, чтобы я не думал, что ты увидишь
версия извините модель без
версии всегда есть версия
он, и в конце концов, он развернут
доступно, и вы можете начать использовать его так
что значит использовать право так, что
мы сказали, что это не интересно
теперь у меня есть модель, поэтому я
показал вам, как перейти из лаборатории данных кода
для обучения на местном уровне
облако перейти к развернутой версии следующего
шаг — проверить прогноз и
Хорошая часть — это все поколение, поэтому, если
у вас есть приложение, которое запускает любой
другой язык, чем Python, не проблема
даже если мы этого не сделаем, вы отдыхаете
вызов конечной точки возвращает ответ
начать использовать старт, показывая его людям
или использовать его для ваших расчетов
но в этом случае я собираюсь
показать, что вы также живете, что позволило мне закрыть
это то, что если вы запустите тест, предскажите
и тест предсказывает, что я его выстрелю
так что теперь он действительно отправляет тест
файл с одной записью в этом случае
одна запись человека в США с
эти поля там и отправляются
это облако Google , чтобы сделать
предсказание, а также
номер версии, чтобы вы могли играть с ней
и в течение нескольких секунд , то там
он мог предсказать, что он в классе
ноль, так что если вы посмотрите на код
попытается классифицировать вывод
вместо того, чтобы говорить более 50 тыс. или
меньше 50 тыс., он попытается создать
числа для него равны нулю, а одно и с
вероятность
довольно высокий 0,99 процента, он говорит, что
он находится в нулевом классе и меньше
50k , так что я предполагаю , что это мое демо прямо да
хорошо, просто вернитесь к архитектуре, как
много времени, которое мы оставили на часах
шесть минут, поэтому мы просто делаем это очень
быстро, так как Роб просто показал вам, что мы
мы в основном прошли через это
в начале мы смотрели
как мы могли бы сделать что-то вроде потока данных
фактически обрабатывать данные для этого
особенность, и мы просто посмотрели
о том, как мы можем использовать кардамон на самом деле
важная часть, которую я просто хочу подчеркнуть
экономика, которую мы делаем моделью интенсивной
поток, но мы используем API облака ml для
оба запускают это и обучают эту модель как
локально и в облаке, и
предсказаний, чтобы мы фактически использовали
API количества карт, который действительно делает
что препятствует переходу от наших собственных
локальный экземпляр для перехода в облачное пространство
или район очень легко и снова, если вы
хотите выполнить синхронизацию в дистрибутиве
не хочешь делать всю эту сантехнику, потому что
вы спускаетесь в эти слои, тогда
ты собираешься сделать больше сантехники, тогда
вы используете оценки, и если у вас есть
ваш собственный, если вы не найдете оценку
который подходит для того, что вы хотите использовать, и вы
создать пользовательскую оценку
есть код , в котором есть целый
который поддерживает это как
так что мы можем поместить их на слайды
и поделитесь им так, если вы
хотите действительно пройти этот пример
и этот пример — это не самый лучший
Например, чтобы узнать, что
сети, как и как сделать
вашей сети, но этот пример действительно
показывает, как я действительно начинаю
получить от вас нервную сеть
моя локальная машина для обучения в
пространство, чтобы иметь возможность прогнозировать его
и я думаю, что мы хорошие
поэтому я Роберт это ракеш, что мы собираемся
сегодня делать десять рассказов
очевидно, в какой-то момент мы собираемся
начните с немного фона
почему машинное обучение почему сейчас, а также
некоторые из шагов, которые нам необходимы
способный фактически запускать машинное обучение в
производство , и тогда мы будем идти
через какой — то пример собирались некоторые
демонстрации во второй половине
где мы на самом деле собираемся
посмотрим, как мы можем да вынимают наши
модели и фактически развернуть его и обучить
это и сделать прогнозы, поэтому мы очень
очень заинтересованы в том, что нужно, чтобы получить
машинное обучение в производство, поэтому я
есть кликер где — то на самом деле где
что хорошо там мы идем, спасибо вам, так
машинное обучение в Google не знаю
как многие из вас знакомы с Google
большинство людей знают Google как поиск
компании как рекламную компанию как
мы все больше и больше называем
теперь как облачная компания, с которой мы работаем
очень трудно создать это имя , но это
фото лучше всего описывает, что происходит в
Google Я бы сказал , что 50% от
люди , которые работают на Google также более
более 50% составляют инженеры, и большинство из них
инженеры заняты
что это происходит, когда у нас есть данные
инфраструктуры по всей планете это
Я расскажу вам большую часть истории
поэтому мы собираемся начать с этого
просто чтобы дать вам вид идеи, это
нашей сети в глобальном масштабе, и это
центров обработки данных, которые мы используем для
я говорю вам это
ну, наш опыт Google
в основном, если вы хотите быть в состоянии сделать
машинное обучение, если вы хотите сделать
что-то сказать умное с
ваши данные у вас есть доступ к вашим данным
данные должны где-то жить, чтобы они
все действительно отчасти начинается на
инфраструктуры, прежде чем мы сможем
получить что — либо в производство , мы должны
убедитесь , что все это в порядке
и мы рассмотрим один из
проблемы здесь сегодня, прежде чем мы войдем в
компоненты машинного обучения
в основном очень скоро, как мы
данные процесса на самом деле получить в
место, где мы действительно можем начать делать
что-то с этим
Мне нравится этот слайд, потому что, когда вы
пытаясь что-либо сделать с данными или
машинное обучение, если вы на самом деле не
размышляя о том, как
ты собираешься собрать это вместе
вы будете в конечном итоге в ситуации на
слева, и это то, что у нас было много
опыта в компании на самом деле
узнать , что это берет , чтобы быть в состоянии
наращивать материал и, как правило,
на самом деле часть этой истории, поэтому Google
облака
что наша облачная платформа мы будем говорить
о том, что мы делаем с плотным потоком и
в какой-то момент
но Google Cloud в основном наша цель
с облаком Google — дать вам
возможность вычислить, скажем, в
иначе, чем просто в
разное пространство, так что, например, мы
склонны течь или кубернеты
то , что мы пытаемся сделать , это убедиться ,
что у нас есть платформы с открытым исходным кодом, которые
вы можете использовать для разработки кода и
то мы предоставим вам пространство внутри
Google облака на самом деле запустить это будет
управляемое обслуживание, поэтому, когда вы на самом деле
запустив это в производство, вы не
нужно беспокоиться о том, что вы знаете, как увеличить
вам не нужно беспокоиться о том, чтобы сказать
время простоя тех проблем, которые вы можете
действительно сосредоточиться на функциональности
ваше приложение очень короткое
введение, и я двигаюсь через это
немного немного быстрее, чтобы мы могли получить
на мясо, но это очень
краткий обзор того, что Google Cloud
вы можете видеть, что некоторые из них
см. нашу аналитику данных и машину
так что сегодня мы посмотрим на
и и демо мы будем смотреть на
мы смотрели на углубление вашей сети
Тензорный поток особенно хорош для
я могу создать глубокие нейронные сети
быстрые руки в аудитории, которая
фактически работает над глубокими нейронными сетями
является то , что она сделала некоторые вещи на глубоком
нейронные сети
она из тех людей, что вы сделали некоторые
материал с Tencel Флориди нормально несколько любой
другие рамки, которые вы используете
там, возможно, MX net, и вы хотите кричать
вне рамки, которые они используют в
в настоящий момент о когнитивно-говорящей помощи
us ok caris не рад, что вы упомянули
что одно спасибо, мы вернемся к
что через некоторое время, я думаю, вы
все видели таких, как повстанцы
и машинное обучение в этих последних немногих
лет, и теперь, почему это происходит сейчас?
потому что многие из этих понятий есть
были вокруг в течение довольно долгого времени, это не
что мы решаем, что вы знаете
лет назад с машинным обучением и
нейронные сети — вот некоторые из этих вещей
было вокруг с 60-х годов, я думаю
это, и именно поэтому мы приносим
эти презентации они вместе с
облака это облако играет очень
Важная роль в целом это движение
на самом деле сделать машинное обучение, если вы
подумайте о том, что вам нужно
ингредиенты для хорошего машинного обучения
это, очевидно, хорошие модели и
мы видели в прошлом году, что эти
модели были улучшены
очевидно, когда вы можете начать программирование
и начать фактически все больше и больше
у моделей у вас больше возможностей начать
улучшение тех , вы также должны лучше
хранить большие объемы данных, и вам нужно
о процессоре, и я не знаю, если
любой может идентифицировать это, этот чип
справа
TenPoint видит, что процессор CPU хорош, мы получили
гораздо лучше картина его позже
что-то делает меня вполне счастливым, так что
Google Cloud у нас есть два способа
на самом деле решение машинного обучения один
с десятками, а другой —
управляемая точка доступа с управляемой точкой доступа
то, что мы пытаемся сделать, в нас в этом
Мы хотим демократизировать машину
учимся так, скажем, общие
проблемы, чтобы думать о вещах, таких как OCR
думать о мысли о том, что мы собираемся
посмотрите на демонстрацию в одно мгновение с видео
для вещей, которые мы действительно можем вам знать
мы можем создать эту модель, которую мы можем ее обучать
и мы не можем вывести его на рынок
и вы знаете, что люди могут использовать его в
простой способ , скажем , для разработчика
на самом деле использовать это вложение, которое в их
это может быть естественным
обработка языка, например
перевод, который мы в основном хотим запустить
что, создавая, вы знаете, что легко использовать
открыть api, но для того,
вы на самом деле создаете свои собственные модели
наш подход, и это должно сказать хорошо
давайте создадим фреймворк с открытым исходным кодом и
мы смотрим минутку о том, что
tensorflow и что идея
за архитектурой поворотного этажа
так что вы можете взять свою модель
отправляйтесь и тренируйтесь там, где хотите, или вы
знаю , строить там , где когда — либо вы хотите поезд
это где угодно, а затем место
там, где вы хотите, чтобы вы могли
прогнозы и то, что мы делаем в облаке
пространство фактически предлагает управляемый
где вы можете
модели с напряженным потоком, и мы будем искать
при этом фактически запускать и тренировать
их в облаке также делают
предсказаний, поэтому я собираюсь дать немного
демо одного из этих
и тогда я покажу вам архитектуру
за ним, конечно, я пошел
неправильный способ за секунду демонстрационный эффект
перед тем, как демонстрация начнется
замечательно, что это одно из
эти новые Маки, которые я им давал
Трудно все это день, чтобы я
продолжайте тему сейчас, так что
заявление о том, что несколько коллег
наш положить вместе , чтобы реально использовать наши
видео API, чтобы мы могли делать видео
доступно для поиска, поэтому в этом примере здесь я
собираюсь искать собаку, и это происходит
дать мне все видео, в которых есть собаки
так что мы собираемся перейти на этот
видео Я буду искать собаку здесь, как
хорошо там мы идем
и если я на самом деле
видео я должен уметь видеть, если
есть собака так же, если я пойду
к этому моменту в видео здесь я должен
быть в состоянии видеть это там торт там
мы идем
Я могу продолжать, но вы поняли, что
требуется для создания приложения
как то , как долго вы думаете , он принял
объединить это приложение
дней, это определенно не та, которую мы
думал, что вызов от Кега там
нет нет, тебе нужно работать очень тяжело
что извините, мы сделали тесты на этом
один ребята поставили вместе с
я не буду говорить, что они сделали
много исследований не пары часов
вернемся к презентации этого
это архитектура, и это используется так, что я
или нет, конечно, вы
вы могли бы написать свои тесты, если это
вы знаете приложения, входящие в
производство для меня нет — сначала, но
мы смотрим здесь, что вы можете сделать
с открытым API, так что вы можете сделать с
один из наших API для машинного обучения
так что в основном то, что мы сделали,
видеоролики на облако в хранилище только
хранение объектов у нас есть сервис
функции там слушают, поэтому, когда
видео придет, он сгорит API
вызывать и фактически обрабатывать это видео и
вернуть метаданные, которые будут
о том, что является содержанием этого видео и
он также будет состоять из таких вещей, как
отметка времени, когда вы можете найти, что так
с этими метаданными мы можем тогда обслуживать его
вверх мы используем App Engine здесь , которые являются
платформа как услуга
на самом деле создать небольшой
веб-приложение, и мы связываем это
вместе с elasticsearch, чтобы вы могли
на самом деле искать через тех ,
поиск приложений по этим видео
извините, так что это действительно пример
то, что вы можете собрать вместе
очевидно, если вы собираетесь построить это
для производства правильно ваши тесты и
все остальное, но это пример
без фактического знания
машина узнает, что вы можете создать
вы знаете, используя один из этих api, но
в остальном этот разговор мы будем смотреть
о чем это требуется , чтобы на самом деле сделать
эти модели сами или важно
что вам нужно, чтобы получить эти модели
для производства , так что это Wow наших
интерпретация того, что популярно
воображение машинного обучения так
множество данных сложной математики и магических
результатов это довольно плохая интерпретация
о том, что происходит с машиной, изучающей это
не делает много справедливости все
тяжелая работа , которая входит в его реальность
это сбор данных стоит много
усиление организации этих данных очень дорого
усилий и прежде, чем вы даже сможете подумать
о создании модели,
действительно делаю эти первые два шага, тогда мы
создайте модель тогда
мы должны думать о том, куда мы идем
идти и обучать эту модель, имеющую
данные доступны и т. д. и, наконец, конец
из того, что мы имеем что-то, что мы можем
развертывать, чтобы делать прогнозы так
это мы собираемся вернуться к временам
сегодня, но это архитектура того, как
мы могли бы решить проблему, которая
где мы действительно хотим создать нашу собственную
модели и привести ее к
Есть две линии , которые здесь я просил
вы посмотрите сверху и снизу на
наверху мы в основном смотрим на то, что
это необходимо для тренировки и на дне
мы смотрим на то , что он принимает
на самом деле служат так, что есть несколько вещей
здесь или заслуживает внимания, поэтому мы используем
услуга облачного ml для обоих поездов
наша модель — модель напряженного потока, и мы
используя его, чтобы сделать наши прогнозы, мы
могут быть предсказаны из
мобильный телефон, а также вместо
Собираетесь ли вы знаете , с помощью API вызова
на самом деле получить наше предсказание, которое мы могли бы
фактически развернуть модель, скомпилированную в
телефон, например, если вы хотите сделать
что-то в автономном режиме, но в этом
случай , мы будем смотреть на то, чтобы что
API-запрос, чтобы получить наш результат сверху
мы будем использовать поток данных, мы
будет исследовать то , что поток данных давайте
говорят, что карта создает световые рамки и
это в основном для унифицированной партии и
потоки, и я войду в это в
момент, и вы увидите также внизу
мы также
с использованием потока данных и идея здесь заключается
что все, что вы собираетесь сделать
уметь обучать свои данные и
извлеките эти функции, а затем на самом деле
сделайте эти прогнозы , вероятно, вы
вам нужно будет сделать то же самое, когда вы
фактически делая это предсказание так, если
вы думаете о том, где эти данные
исходя из того, что мне нужно делать
для извлечения необходимых функций
на самом деле сделать этот запрос так не будет
это хорошо , чтобы иметь какое — то
где вы знаете, когда я
работая, возможно, в пакетном режиме или в
потокового режима, я мог бы использовать
таким образом, мы сначала посмотрим на
сбор и организация данных, поэтому я
только собирается брать пример одного из
трудные проблемы, которые мы имеем, когда это
приходит к фактическому сбору данных и
как мы можем это решить, так что эта диаграмма
вот на самом деле, если вы позволите мне спросить
люди, чтобы положить руку, если вы
уже работает с потоковыми данными, если
вы работаете с данными в режиме реального времени и
поднимите руки, если вы делаете вещи
с пакетом, поэтому теперь отложите руки, если
вы довольны тем, как вы обрабатываете
данных и положите свою руку и положите
руки, если вы недовольны тем, как
вы обрабатываете данные, чтобы получить
немного рук, они не очень довольны
время, когда спросите меня об этой партии
они очень счастливы, потому что, когда вы
обработка партии и все
уже выложены для вас так в основном
ваш набор данных завершен, вы знаете
именно то , что вы знаете всю
все население есть, вы знаете
что происходит, вам не нужно ждать
для вещей, чтобы прибыть для вещей
не входить в неправильный порядок или
что вы можете обработать это довольно
удобная для обработки при перемещении
что в потоковом , скажем, пространстве
проблема в том, что вы не знаете, когда
данные будут получены, вы не знаете, если
что данные поступают в правильном порядке
вы не знаете, если вам не хватает данных, поэтому
как вы собираетесь заниматься
эти вещи, прежде чем вы сможете начать
обрабатывая так в этом примере здесь, что
мы будем смотреть на перерабатывает
время и время события и по дну
время события в основном что-то
происходит сейчас и во время обработки
когда мы его получаем, и мы решаем сделать
так что все эти маленькие точки в
наверху наверху есть вид
нам трудно, потому что все они пришли
вы знаете намного позже, чем они были
на самом деле они произошли так, как мы
собираюсь иметь дело с такими, так что это вы
знать то, что мы обычно объясняем
как 10 или 20 слайдов, они пойдут
и попытаться сделать это в
один
если вы посмотрите на идеальный водяной знак
это пунктирная линия да
поэтому это время и процесс события
и время происходит в тот же момент и
если вы сейчас посмотрите на баллы так баллов
поэтому я должен объяснить, что давайте
представьте, что эти данные поступают из
где-то играли в игру, и мы
глядя на одного человека, играющего в игру и
в основном каждый раз, когда они получают
пункты, которые мы отправляем на наш сервер
и затем мы хотим обработать это так , чтобы
первое, что мы делаем здесь, — это создать
эвристический водяной знак, который они здесь видят
водяной знак зеленого цвета, а затем мы рубим
это в Windows, что мы хотим
процесс, и эти окна могут быть исправлены
время, когда они могут скользить, может быть
сеансы зависят от того, что вы знаете
имеем дело в данном конкретном примере
у нас есть фиксированные временные окна, как только
эти окна закрыты, скажем, что это
самая лучшая правая точка
водяной знак , как вы пришли к концу
окна вы можете в основном сделать что-то
с вашими данными так в первом окне
например, как только мы получим это
окно закрывается, мы можем сказать, что у нас есть
оценка пяти секунд закрывается и
так что луч Apache позволяет вам делать
чтобы принять эту идею оконных и
а также принять его в
срабатывание вещей, которые тоже
поздно или слишком рано , так, например , те ,
девять очков, которые мы там забили
на самом деле произошло 202, но мы не
обработайте его на два, так что вы
собираюсь сделать в этот конкретный момент
и в этом случае то, что мы собираемся сделать
фактически накапливает данные в этом
панели , а затем добавить его , чтобы получить
полный результат можно также отказаться от
это действительно зависит от случая использования , но
что мы хотим показать здесь, это луч Apache
является открытой исходной структурой, которую мы можем
снова использовать данные управляемых служб
потоком, чтобы фактически взять наши данные и
собирать наши данные, а затем делать какие-то
MapReduce как обработка на самом деле
иметь эти источники данных, чтобы мы могли
на самом деле наша машина обучения двигаться
позже я просто хотел посмотреть на один из
конкретные проблемы и эти
вещи, как правило,
много больше времени, чем люди ожидают вас
знаете, люди хотят заняться
фактическая часть машинного обучения и в
наш опыт показывает,
сбор данных и обработка
данных требуется значительное количество
так что теперь мы собираемся перейти к
вторая часть
цепь, которая является фактическим созданием
модель, а затем ее использование, как я
делать время
хорошо, хорошо круто, давайте вернемся к
снова, и теперь мы собираемся
перейдите к десятому потоку, чтобы начать с
это очень короткая история напряженности
Я не буду читать все, но
что я расскажу о времени
потока является немного причиной того, почему мы
создала его, когда мы пытались
собственной компании, на самом деле мы
исследователи, работающие над машинным обучением
проблемы, которые они придумали бы
модель — отличное решение, и тогда мы
должны взять это на производство, а затем
было это большое усилие на самом деле
возьмите то, что мы сделали в исследовании и
затем привести его в производство, чтобы мы
необходимо было убедиться, что у нас есть
рамки или проект, который мы могли бы
на самом деле взять то, что мы
в исследовательском пространстве в
обучение пространство и принести что все
пути производства и фактически
пространство предсказания, которое было одним из
ключевые идеи за напряженным потоком другой ключ
идея о напряженном потоке была на самом деле
демократизировать его, чтобы убедиться, что мы
откройте это и получите
сотрудничества и вклада
сообщество в дыре так вы знаете
вы начинаете видеть, что все растет, и вы
улучшать идеи и
материал так растекается на
архитектуры, чтобы на самом деле
скажем, пространство, в котором вы
фактически играя с моделью для
первый раз в пространство, где вы
обучение этой модели тому месту, где
вы собираетесь сделать эти
прогнозы, которые вы думаете о том, какие
архитектуры, которую вы хотите использовать позади
так что в одном случае вы можете захотеть
сделайте это на своем ноутбуке, чтобы вы знали, что используете
ноутбук или что — то рабочее юпитер
на вашем ноутбуке, и вы пытаетесь
знайте, как играть с моделью для
первый раз, но как только вы это сделали
что вы могли бы сказать, что на самом деле это
выглядит интересно, начнем тренироваться
некоторые данные и внезапно ваши ноутбуки
не достаточно хорошо
поэтому вы хотите запустить это в хранилище перекрестных ссылок
вы хотите использовать графические процессоры или
TPS, на который мы смотрим, как только вы
сделал это, и вы подготовили свою модель
вы хотите служить ему так, как хотите
разверните его где-нибудь, и вы хотите быть
в состоянии сделать с ним прогнозы ,
та же структура должна быть в состоянии снова
запустите его в пространстве, где вы можете сделать
предсказания, скажем, из облака
платформу, и она должна быть модой, но
он также должен иметь возможность
небольшое устройство , как Raspberry Pi или а
телефона, чтобы вы могли фактически использовать это
это то, что вы сделали на самом деле
сделайте что-нибудь полезное с этим, чтобы те
идеи были похожи, скажем, в
фон или в том, как мы собирались
на самом деле создать десять, чтобы
вещи о десятках себя поток это
другой системы потока данных, чтобы это
посмотреть все
совершенно очевидно для большинства людей, это случай
соединенных узлов , которые идут
для выполнения определенных функций, которые
узлов всех ребер на самом деле n
мерных массивов или тензоров, следовательно,
назовем тензор тензора тензора a
тензор — многомерный массив, почему
это полезно, но если вы думаете о
нечто вроде сверточной сети
одна из вещей, которые вы хотите сделать
сохраняется некоторая форма данных, поскольку
вы переходите от одного узла к другому
так что вы можете в этом конкретном случае, если
вы просто имели дело с оттенками серого
у вас может быть только один канал
Вы знаете , так матрицу , если вы собираетесь
иметь дело с цветным изображением, которое у вас может быть
три канала и в зависимости от того, что
вид данных, которые вы обрабатываете
может вырасти вы знаете , довольно значительно
и если вы не смогли на самом деле
транспортировать данные между ними
узел к следующему узлу и сохранить его форму
вы не сможете делать такие вещи, как
сверточной выборки, чтобы все, что у вас было бы
сделать чертовски много работы
на самом деле пойти и поставить все это обратно
снова, если вы попытаетесь переместиться
например, в гонке, например
другое имеет состояние, поэтому, когда
мы фактически делаем этот процесс
то, что я мог бы купить, нам нужно идти
и мы должны сохранить это
так что есть что — то еще, что
имеет тенденцию заботиться, а последний
часть архитектуры Tencel является то , что
распределяется, поэтому мы можем фактически запускать
некоторые из этих операций на некоторых из
эти узлы на разных машинах или
разные чипы, так что это действительно добрый
высокоуровневого обзора
архитектура за самим тензорным потоком
тензорный поток написан на C ++, мы имеем
API в C ++ и Python и Python , что это
очевидно, самый популярный
дает вам пример
ну это не дает вам пример этого
показывает вам, как мы
на самом деле используют тензорный поток, так что пирог в
оранжевый — это то, на что мы только что посмотрели, и
мы собираемся сейчас сосредоточиться на
Python front-end, так что есть
количество слоев , которые вы можете работать в
здесь мы уже упоминали Charis Charis
это тот же уровень, что и наш
так что в слоях вы можете пойти
там вы можете создавать все виды
сети и все, что вы хотите, но если
вы работаете на этом уровне,
подумайте о том, как вы собираетесь
распространять его также
так что если вы, как вы собираетесь парализовать
что работа так , что становится для больших
модели довольно сложны довольно быстро
если вы переместили слой на S
mater, поэтому у нас уже есть некоторые общие
оценщики, подобные вещам типа LTM-клеток или
сверточного, но у нас также есть
это возможность создавать пользовательские
оценщик, и если вы используете
оценщик, тогда вам не нужно беспокоиться
о том, как вы можете реально распространять
это или распараллеливать ваши
сети, когда дело доходит до
обучать его
caris работает в том же виде
уровень и выше, что у нас есть, что
совершенно новые консервированные оценки и эти
являются в основном полноценными оценщиками
которые вы в принципе можете использовать в коробке
для конкретного, скажем, регрессии
или проблема классификации, и мы
все больше и больше, но они могут
быть очень распространенными проблемами, как я хочу
чтобы просто запустить регресс на этом, я не
хочу сделать всю работу, это мои данные
вы знаете, что это похоже на вас
просто нужно отобразить форму, а затем
вы можете начать использовать их, чтобы вернуться
к ТПУ снова, так что один из них
о великих вещах, которые мы можем
предложение в этом пространстве — выйти за рамки
GPU так типи эти вещи
бегущая вещь — 180 терафлоп в
чип, поэтому, если вы действительно собираетесь начать
чтобы нравиться тренировать свои модели по шкале
первое поколение ТП, мы были только
использование для вывода и второй
они доступны для
обучение и вывод в облаке
так что вы действительно можете
модель тензорного потока, которая, возможно, вы
работает на вашем собственном сервере и говорит:
на самом деле мне нужно больше энергии для этого
и тогда мы могли бы реально использовать
Использование TP в да в облачном пространстве, поэтому
дать вам пример, например, те числа
Вы знаете , что делает 180 терафлопс ER взгляд
как вам пример, некоторые из наших
модели перевода, которые мы запускали
с цыпленком- котенком возьмите нас несколько
дней для обучения и теперь с их возраста
Использование TP мы можем сделать это в нашем, так что это
реальный вид игрового чейнджера на этом уровне
и с этим мы собираемся перейти к
демо, да, так что я собираюсь показать
вы действительно кодируете правильно, мы все
разработчиков, если я не ошибаюсь так,
кстати, просто чтобы вы поняли, кто
был в i / o в этом году Google i / o и
никто, к сожалению, потому, что если вы
посмотреть TPU это действительно такой большой в
это привет это и это процессор право
представьте, что вычислительная мощность в порядке, что
мы сейчас будем делать
но я покажу вам, как получается
поток может быть использован в наилучшей практике
Ситуация так с тем, что мы называем
Google Cloud ml движок и то, что мы
собираюсь сделать, мы собираемся больше или
менее развивайте модель, которую мы ее тренируем, и мы
проверить его и проверить, я не такой, как
Контекст как модульное тестирование , но увидеть , если
предсказание работает правильно, поэтому пришло время для
некоторые вещи жизни, давайте посмотрим следующий слайд так
что я собираюсь делать сегодня, я собираюсь
сосредоточить внимание на доступных данных и
Набор данных о доходах в переписи Соединенных Штатов Америки
это около 32 000 строк в формате CSV
и да, и это такой набор данных
что у вас есть и что мы собираемся
сделать, как вы можете использовать его для себя
представьте себе какие — либо данные , установленные теперь вы можете использовать его
для себя и начать использовать тензорный поток
очень приятным способом, который позволяет вам
к производству довольно быстро есть
маленькая ошибка на этом слайде она не говорит
comp дополнительный слой, который является
копировать / вставлять все в порядке, это похоже на смущение
любой, чтобы просто дать вам представление об этом
это набор данных, который вы видите здесь.
немного большой, но это для вас, ребята, так
так что это читаемо, но на самом деле мы
попытайтесь классифицировать, если определенное лицо как
могут быть классифицированы как менее 50 тыс.
год или выше или более 50 тыс. в год
вот что мы пытаемся сделать здесь, поэтому
это набор данных, который они собираются
использовать и просто вернуться снова, так что
что мы обычно делаем, и я думаю, что это
целесообразно для всех, а не для
начать кодирование в официальном студийном коде
VI или Emacs, что бы вы ни начали использовать
облако данных данных лабораторных данных больше ничего
чем записная книжка Юпитера, знакомая
с ноутбуками Юпитера хорошо круто
так что для людей , которые не в
факт интерактивной страницы Python, где
вы можете документировать в уценке большую часть
времени и в коде Python и
и изменить пальто и видеть изменения
жизнь, что я собираюсь показать
вы сейчас, что это сразу
доступных на консоли Google Cloud, поэтому
облачная консоль — это среда
где вы можете запускать свои поверхности и
дайте мне посмотреть, где он доступен для чтения
да более или менее
так что вы можете здесь , здесь, на
наверх есть активированная облачная оболочка и
на самом деле , что он делает это создает небольшой , как
Я сказал и пример Linux, где вы можете
и теперь это
и если он есть, я могу начать данные
лабораторный экземпляр и подключиться к нему, так что да
А вот и я
поэтому у меня есть командная строка в моем браузере
это лабораторная лаборатория данных для I
знать двигатель , что это случайное имя самым
как я сделал нажмите ENTER его
поэтому он просит очистить взрыв и
здесь, перейдя в порт 80 80 81, это
порт, где он размещен, я попаду в
данных, где мы можем видеть
ноутбук, так что теперь это
опытный все в облаке я не
установить что-нибудь локально, я просто конвертирую
поэтому просто для того, чтобы дать вам представление о коде
это связано с тем, что мы спросили, где
вы можете, если это немного быстрее, чем это
да, это ноутбук Юпитера здесь
вы можете увидеть часть кода, который я могу запустить
но вся идея состоит в том, чтобы показать вам
что у нас есть среда, в которой вы
может начать экспериментировать с
посещает, который посещает все
потому что это не что-то
вы пишете сразу, это то, что вы
перебирать и протестировать и попробовать его и
Ноутбук Юпитера — это то, что вы
могут использовать для них, поэтому просто дайте вам
немного понять, что на самом деле
оценщик может быть таким, как
пример примера кода здесь вы делаете глубокий
нейронной сети с некоторыми специфическими
стиль классификаторов с парой
параметров, и все, и вот что
мы создаем создание, по-видимому,
100 сотен скрытых единиц, за которыми следуют 70
затем следует 50, а затем 25
уже достаточно глубоко, чтобы представить, что
вы должны запрограммировать это все это
объединили полностью подключенные
сети только этим утверждением, так что
очень красиво и производительность мудрая также
очень хорошая вещь, чтобы сделать это вернемся назад
то следующий шаг в порядке, как я
подготовьте мое приложение код, который вы
просто видел, как вы тренируете его, используя лучшие
практики и использования облака Google
машинный механизм обучения, поэтому мы явно
Положите это так, чтобы у вас была ситуация
где вы говорите местное обучение, чтобы
значит, на моей машине есть только часть
и есть причина, почему я почему-то ее установил
такие записи среды, как доллар
Данные поезда данных и доллар Eval в
почему мы это сделали для
гибкость , и я покажу вам в немного
также, что это все о так просто
одно утверждение, и я могу показать жизнь так, чтобы
просто покажите вам, что мы заменяем
данные поездов с динамическим значением локального
файловой системы в моей системе, а затем, если я
скажите, бегите, потому что я на самом деле на этом
момент запуска кода, и я покажу
вы немного больше , так что вы видите здесь
это тоже очень интересно, поэтому вы видите
здесь предупреждения, они не ошибки, они
на самом деле дает вам сигнал о том, что вы
использование тензорного потока по умолчанию
реализация, построенная для вас
уже, но хорошее преимущество для расстояния
перетекает через источник, вы можете скачать его
вы можете скомпилировать его таким образом все это
предупреждения уходят да и хорошая идея
хорошая часть — это будет быстрее в
время исполнения в конце, потому что оно настроено
для вашей системы в данный момент
видимо, мне не хватает пары флагов
в моей системе, и, как я уже говорил, вы можете
скажем, есть еще одна вещь, которая
приближаться
давайте назовем тензорную доску и здесь, в
где-то здесь вы видите сообщение
да, ты стоишь на борту, чтобы сделать журнал
есть и есть выход, так что это делает
означает , что то , что он в конце концов так 10
поддержка Я собираюсь запустить его DanceSport
есть не что иное, как небольшой Python
приложение , которое упаковано с
тензорный поток все вместе
и это позволяет увидеть, что он открыт
уже
мы на порте 66 Я копирую это это
часть кода вернется в мой браузер
Экземпляр , где это и это
на самом деле довольно интересно, так что теперь у меня есть
перевод инструмента доска , которая позволяет мне
дайте мне больше понимания и что
происходит на самом деле с моей заявкой
какая точность, что я видел точность
является одним из важных условий и
машинное обучение, если оно достаточно высокое
вы получите лучший результат в конце и
это более реальная жизненная ситуация, поэтому вы получаете
здесь есть некоторые графики, и в этот момент
он все еще пытается улучшить
немного, но это не так хорошо и
другое дело, но это некоторые из
пути к вам знают начать расследование
ваш код и начните понимать, что
и если это дает лучшее
результат другой вещи, что вполне
важно, что, как сказал Роберт
это график, который вы пытаетесь
вычислить, в конце концов, так как мгновение назад мы
правильно говорили об оценках
оценщик похож на это одно утверждение
что у нас была глубокая нейронная сеть
вот так вот, это на самом деле график
исполнения, поэтому, если вы нажмете на него
получить гораздо лучшее представление о том, что
происходит на графике, так что это
действительно скрытый слой на слое слоя
слой и т. д., а затем вы получите действительно полностью
подключена довольно большая сеть, и это
это то, что вы получаете довольно быстро, поэтому
хорошая часть — вы можете следить за потоком
вы можете видеть, ведет ли сеть
как вы хотите, и вы также можете начать
думая, как мне настроить его так, чтобы
это отчет Стэна это что — то
вы также получаете бесплатно и весь
вещь , так что я только что сделал я тренировал его
локально и с созданным результатом I
может быть напряженной границей, я могу заглянуть в нее
но, конечно , мы хотим иметь более высокую скорость
мы хотим иметь больше продукции или лучше
поэтому мы можем сделать так, чтобы
только один флаг
сделайте это блюдо красивым, чтобы его
собираюсь сделать, это попытается выяснить
хорошо, что у центрального процессора есть у меня
и что я могу использовать или какие графические процессоры и т. д.
но только один флаг, не меняющий
Я также не меняю
Данные поезда и т. Д. Это все на моем местном
так что следующий шаг после этого
хорошо сейчас это интересно теперь я понял ,
Я мог бы сделать это локально, и мой набор данных
растущий, так что еще одна вещь, которую я могу сделать
я могу запустить эту вещь в
облако Google, так что Google Cloud ml
у двигателя есть концепция, называемая рабочими местами, и в
факт, что у вас есть так,
приложение tensorflow, которое
переключатель параметров, который вы можете сказать
ладно, вот мой пакет более или менее
выполняются в облаке и что вы получаете
заключается в том, что вы получите наконец
выгоду от облака в
фон, поддерживающий ваши расчеты
который может быть довольно тяжелым в зависимости от
их на том, как сказать по размеру
ваши данные, а также в этом случае
Данные поезда и данные eval не
вашей локальной файловой системы, но это
облако Google Облако хранения
так что мы сделали, мы загрузили
файлы в это место и сказали хорошо
теперь , потому что вы находитесь в облаке
среда, в которой вы хотите иметь быстрый доступ
а не сеть, последняя здесь
исполнены там, так что вы собираетесь
получить, если вы это сделаете пару раз
дайте-ка подумать
так что вы видите здесь , что вы получаете
обзор рабочих мест, которые были
выполняется, чтобы вы могли видеть задания, но
не что иное, как просто запрос на отдых
что мы делаем на сервере, это
он и, в конце концов, начинает выполнение
и он записывает свой вывод в
файловая система облачного хранилища Google
потому что и есть причина, по которой вы
хотите идти не один режим подготовки
Конечно, есть способ сделать это на самом деле
в распределенном виде также и это
злоупотребление вычислениями очень интересно в
облако, потому что вы можете решить довольно
легко просто начать обновление до
определенные навыки, которые мы знаем, так что это
шкала по умолчанию просто говорит хорошо
Уиттл — это ситуация, когда у меня есть
меньше параметров или нескольких параметров
и у меня есть глубокая нейронная сеть
вот так вы можете начать использовать, используя
стандартное распределение мы также имеем
другие конфигурации, поэтому с одним
флаг, вы также можете сказать, хорошо, я начинаю использовать
GPU и фактически также начать использовать TP
используйте, если вы хотите так интересно
результатом является то, что
[Музыка]
Мое может быть подавление шума
ситуация здесь десять минут, чтобы пойти о
да , да , я думаю , что это реплика так , что
вы видите, что я сделал перепись один
перепись на единицу и то, что вы также видите
что потребовалось около 10-12 минут, но
мы просто не будем отмечать, что я позволил
запустить распределенную версию того же
код за шесть минут
поэтому представьте себе экономию времени, которую вы
есть, и мы говорили о случае
где Google Translate занял неделю
чтобы тренировать диверсию, которую вы, ребята,
используя также, но использование наконечника, которое вы могли бы сделать
это через пару часов, как действительно
уменьшая, как дни два часа в том
масштаб, и это просто пометить его
поэтому мы экспериментируем, чтобы вы играли с ним и
вы видите выход так, а затем другой
шаг в порядке, наконец, имеет распределенный
модель поезд ты собираешься, да, да
приходите на задний танец, следующий
путь был так на pod в настоящее время на да
еще один извините еще один, так что это было
это стручки использования TP, что мы
на самом деле может предложить в облаке так
они 11 и шпоры стручок половина петафлоп
так что если вы действительно собираетесь тренироваться
что-то идет, и это ты
знать мощную вещь о тензорном потоке
что вы можете просто взять то, что у вас есть
создать и переместить его на эти разные
архитектуры, просто изменив эти
флаги, которые Rockettes просто показали вам
так хорошо, так что теперь у нас есть модель поезда, поэтому
что вы хотите с этим делать?
сделать это положить его в производство права,
должно быть легко и просто, как вы, ребята, знаете
как сделать веб-приложение java
разработки или nodejs или что-то еще
должно быть легко, так что мы сказали , хорошо
прежде всего, вы создаете модель в своем
облачная среда это первый
заявление о создании модели
с именем модели может быть что угодно и
регионе, поэтому в регионе США все причины
почему мы имеем дело с задержкой, но
это другая история, с которой мы можем поговорить
об этом позже, а потом и о том, что
вы делаете, вы создаете версию своего
модель, потому что вы можете ее настроить
вы можете играть с
это может изменить формат, который вы
может быть изменение сети
поэтому, в конце концов , вы можете
иметь подготовленную модель, развернутую в
облако, которое вы можете начать использовать для
так что другие выглядят так вот здесь
У меня есть модель, есть модель переписи
и у него есть конкретная версия, чтобы вы
хочу, чтобы я не думал, что ты увидишь
версия извините модель без
версии всегда есть версия
он, и в конце концов, он развернут
доступно, и вы можете начать использовать его так
что значит использовать право так, что
мы сказали, что это не интересно
теперь у меня есть модель, поэтому я
показал вам, как перейти из лаборатории данных кода
для обучения на местном уровне
облако перейти к развернутой версии следующего
шаг — проверить прогноз и
Хорошая часть — это все поколение, поэтому, если
у вас есть приложение, которое запускает любой
другой язык, чем Python, не проблема
даже если мы этого не сделаем, вы отдыхаете
вызов конечной точки возвращает ответ
начать использовать старт, показывая его людям
или использовать его для ваших расчетов
но в этом случае я собираюсь
показать, что вы также живете, что позволило мне закрыть
это то, что если вы запустите тест, предскажите
и тест предсказывает, что я его выстрелю
так что теперь он действительно отправляет тест
файл с одной записью в этом случае
одна запись человека в США с
эти поля там и отправляются
это облако Google , чтобы сделать
предсказание, а также
номер версии, чтобы вы могли играть с ней
и в течение нескольких секунд , то там
он мог предсказать, что он в классе
ноль, так что если вы посмотрите на код
попытается классифицировать вывод
вместо того, чтобы говорить более 50 тыс. или
меньше 50 тыс., он попытается создать
числа для него равны нулю, а одно и с
вероятность
довольно высокий 0,99 процента, он говорит, что
он находится в нулевом классе и меньше
50k , так что я предполагаю , что это мое демо прямо да
хорошо, просто вернитесь к архитектуре, как
много времени, которое мы оставили на часах
шесть минут, поэтому мы просто делаем это очень
быстро, так как Роб просто показал вам, что мы
мы в основном прошли через это
в начале мы смотрели
как мы могли бы сделать что-то вроде потока данных
фактически обрабатывать данные для этого
особенность, и мы просто посмотрели
о том, как мы можем использовать кардамон на самом деле
важная часть, которую я просто хочу подчеркнуть
экономика, которую мы делаем моделью интенсивной
поток, но мы используем API облака ml для
оба запускают это и обучают эту модель как
локально и в облаке, и
предсказаний, чтобы мы фактически использовали
API количества карт, который действительно делает
что препятствует переходу от наших собственных
локальный экземпляр для перехода в облачное пространство
или район очень легко и снова, если вы
хотите выполнить синхронизацию в дистрибутиве
не хочешь делать всю эту сантехнику, потому что
вы спускаетесь в эти слои, тогда
ты собираешься сделать больше сантехники, тогда
вы используете оценки, и если у вас есть
ваш собственный, если вы не найдете оценку
который подходит для того, что вы хотите использовать, и вы
создать пользовательскую оценку
есть код , в котором есть целый
который поддерживает это как
так что мы можем поместить их на слайды
и поделитесь им так, если вы
хотите действительно пройти этот пример
и этот пример — это не самый лучший
Например, чтобы узнать, что
сети, как и как сделать
вашей сети, но этот пример действительно
показывает, как я действительно начинаю
получить от вас нервную сеть
моя локальная машина для обучения в
пространство, чтобы иметь возможность прогнозировать его
и я думаю, что мы хорошие
Please follow and like us:
Be First to Comment