0
Je suis en un Google Cloud ML Job en utilisant "scaleTier": "BASIC_GPU" et le tableau qui suit présente les détails sur l'utilisation:65% CPU et 15% Mémoire avec tensorflow sur Google Cloud ML
Je suis l'exécution d'une expérience en utilisant learn_runner.run(...) sur un estimateur personnalisé et alimentez l'entrée en utilisant une approche basée sur un pipeline en utilisant la file d'attente de noms de fichiers pour lire les données.
L'utilisation de l'approche par pipeline est-elle la principale raison de la faible utilisation de la mémoire et y a-t-il quelque chose que je devrais considérer pour optimiser l'utilisation de la formation?