问题标签 [google-cloud-ml]

在 Google Cloud Dataflow 上运行机器学习算法的最佳方式是什么？我可以想象使用 Mahout 将是一种选择，因为它是基于 Java 的。

答案可能是否定的，但有没有办法调用基于 R 或 Python（对算法的强大支持）的脚本来卸载 ML 执行？

-Girish

我正在调查Google Dataflow和Apache Spark，以确定哪一个更适合我们的大数据分析业务需求。

我发现在 spark 平台上有做结构化数据查询和机器学习的Spark SQL。MLlib

不知道谷歌Dataflow平台有没有对应的解决方案？

在处理 Udacity 深度学习作业时，我遇到了记忆问题。我需要切换到云平台。我之前使用过 AWS EC2，但现在我想尝试 Google Cloud Platform (GCP)。我至少需要 8GB 内存。我知道如何在本地使用 docker，但从未在云端尝试过。

1. 有没有现成的解决方案可以在 GCP 上运行 Tensorflow？
2. 如果不是，哪种服务（Compute Engine 或 Container Engine）更容易上手？
3. 任何其他提示也表示赞赏！

如何在 Google 云中设置 TensorFlow？我了解如何创建 Google Compute Engine 实例，以及如何在本地运行 TensorFlow；最近的一篇Google 博客文章表明，应该有一种方法可以创建 Google Compute Engine 实例并在云中运行 TensorFlow 应用程序：

机器学习项目可以有多种规模，正如我们在开源产品 TensorFlow 中看到的那样，项目通常需要扩大规模。一些小型任务最好使用在桌面上运行的本地解决方案来处理，而大型应用程序则需要托管解决方案的规模和可靠性。谷歌云机器学习旨在支持全方位并提供从本地环境到云环境的无缝过渡。

即使我对此进行了深入了解，但鉴于微软 Azure 等竞争平台提供的内容，必须有一种方法来设置 TensorFlow 应用程序（在本地开发并“无缝”扩展到云中） ，大概使用 GPU）在 Google 云中。

例如，我想在我的 IDE 中本地工作，为我的项目调整功能和代码，在那里运行有限的培训和验证，并定期将代码推送到云中以使用（任意）更多资源在那里运行训练，然后保存并下载训练好的模型。或者甚至更好，只需使用可调资源在云中运行图形（或图形的一部分）。

有没有办法做到这一点; 有计划吗？如何在 Google 云中设置 TensorFlow？

我在我的 tensorflow 程序中使用了额外的 python 依赖项。如何通过 Cloud ML 部署训练作业？

我执行：

gcloud beta ml jobs submit training ${JOB_NAME} --config config.yaml

大约 5 分钟后，作业出现此错误：

奇怪的是，据我所知，该文件存在于该 url。

我的训练数据在 BigQuery 中。如何使用它在 Cloud ML 中训练模型？

预处理可以在本地和云端完成。我知道如何在本地运行它。

如何在云上运行它？

我用于 ML 作业的 GCS 存储桶遇到访问错误。如何确保服务帐户具有所需的权限？

为什么我尝试将经过训练的模型部署到 Google Cloud ML，我收到以下错误：

这是什么意思以及如何解决这个问题？