Я использую реализации исследовательских работ Tensorflow с открытым исходным кодом, например DCGAN-tensorflow. Большинство используемых мной библиотек настроены для обучения модели локально, но я хочу использовать Google Cloud ML для обучения модели, поскольку у меня нет графического процессора на моем ноутбуке. Мне сложно изменить код для поддержки ведер GCS. На данный момент я сохраняю свои журналы и модели в / tmp, а затем запускаю команду 'gsutil', чтобы скопировать каталог в gs: // my-bucket в конце обучения (пример здесь). Если я попытаюсь сохранить модель непосредственно в gs: // my-bucket, она никогда не появится.
Что касается обучающих данных, один из примеров тензорного потока копирует данные из GCS в / tmp для обучения (пример здесь), но это работает, только если набор данных небольшой. Я хочу использовать CelebA, а он слишком велик, чтобы копировать его в / tmp при каждом запуске. Есть ли какая-либо документация или руководства по обновлению кода, который локально обучает использованию Google Cloud ML?
Реализации используют различные версии Tensorflow, в основном .11 и .12.