知识卡片
MLBase搜索学习执行计划
书中MLBase把用户声明的学习任务解析成逻辑学习计划,再结合算法库、元数据和统计信息,由优化器选择算法与参数配置并形成物理计划,交给工作节点执行和监控。它降低手写训练流水线的门槛,但搜索受候选集合和计算预算限制,不保证找到全局最佳模型。
这张卡片看不懂?
这张卡片的反馈已满 10 条,暂时无法继续提交。
已有反馈 · 0 / 10 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 机器学习:范型与架构 · 查看原书依据
图15-17是MLBase的整体架构,其采取Master-Slave结构。普通用户使用MLBase提供的任务声明语言来描述机器学习任务,并将请求提交给MLBase主控服务器(Master)。MLBase将用户请求解析为逻辑学习计划(Logical Learning Plan,LLP),其描述了机器学习任务的一般工作流。LLP的搜索组合空间包括各种机器学习算法、算法参数组合空间、数据特征组合空间等,其形成的搜索空间异常巨大。优化器(Optimizer)可以通过一定的策略使搜索过程在一定时间内完成,并找到问题的较优解,形成优化的逻辑计划。MLBase将优化的逻辑计划进一步转化为物理学习计划(Physical Learning Plan,PLP)以供实际执行,PLP由若干机器学习操作符构成。
参考来源
- 位置:《大数据日知录:架构与算法》第15章《机器学习:范型与架构》(来源项目:book-sources;源文件:extracted/大数据日知录_架构与算法/_epub-src/OEBPS/text00020.html)
- 结论依据:原文在本章对MLBase搜索学习执行计划给出的定义、机制或示例支持本卡;技术产品描述限于2014年书中版本,示例与实测区分。
- 原始内容:图15-17是MLBase的整体架构,其采取Master-Slave结构。普通用户使用MLBase提供的任务声明语言来描述机器学习任务,并将请求提交给MLBase主控服务器(Master)。MLBase将用户请求解析为逻辑学习计划(Logical Learning Plan,LLP),其描述了机器学习任务的一般工作流。LLP的搜索组合空间包括各种机器学习算法、算法参数组合空间、数据特征组合空间等,其形成的搜索空间异常巨大。优化器(Optimizer)可以通过一定的策略使搜索过程在一定时间内完成,并找到问题的较优解,形成优化的逻辑计划。MLBase将优化的逻辑计划进一步转化为物理学习计划(Physical Learning Plan,PLP)以供实际执行,PLP由若干机器学习操作符构成。