ပုံမှန်ဒစ်များ၊ SSD (Solid State Drive) ဒစ်များနှင့် ဒေသတွင်း SSD မြဲမြံသောဒစ်များသည် Google Cloud Platform တွင် ရရှိနိုင်သော သိုလှောင်မှုရွေးချယ်စရာ အမျိုးအစားများဖြစ်သည်။ အမျိုးအစားတစ်ခုစီတွင် စွမ်းဆောင်ရည်နှင့် အသုံးပြုမှုကိစ္စများတွင် ၎င်း၏ကိုယ်ပိုင်လက္ခဏာများရှိသည်။
Standard disk များသည် ယုံကြည်စိတ်ချရပြီး ကုန်ကျစရိတ်သက်သာသော သိုလှောင်မှုကို ပေးဆောင်သော ရိုးရာသံလိုက် ဟာ့ဒ်ဒစ်ဒရိုက်များ (HDDs) များဖြစ်သည်။ ဤဒစ်များသည် အစုလိုက်လုပ်ဆောင်ခြင်း၊ ဝဘ်ဝန်ဆောင်မှုပေးခြင်းနှင့် သေးငယ်သောဒေတာဘေ့စ်များကဲ့သို့သော အလယ်အလတ် I/O လိုအပ်ချက်များရှိသည့် အလုပ်တာဝန်များအတွက် သင့်လျော်ပါသည်။ ပုံမှန်ဒစ်များသည် စွမ်းဆောင်ရည်နှင့် ကုန်ကျစရိတ်သက်သာမှုတို့ကို မျှတစွာပေါင်းစပ်ပေးသည့်အတွက် ၎င်းတို့ကို အပလီကေးရှင်းများစွာအတွက် ရေပန်းစားသော ရွေးချယ်မှုတစ်ခုဖြစ်စေသည်။
အခြားတစ်ဖက်တွင်မူ SSD ဒစ်များသည် ပုံမှန်ဒစ်များနှင့် နှိုင်းယှဉ်ပါက ပိုမိုမြန်ဆန်သော ဖတ်ရှုခြင်းနှင့် ရေးခြင်းအမြန်နှုန်းကို ပံ့ပိုးပေးသည့် flash memory နည်းပညာကို အခြေခံထားသည်။ SSDs များသည် အွန်လိုင်းငွေပေးငွေယူလုပ်ဆောင်ခြင်း (OLTP)၊ ဒေတာခွဲခြမ်းစိတ်ဖြာမှုနှင့် virtual desktops များကဲ့သို့သော မြင့်မားသော I/O စွမ်းဆောင်ရည် လိုအပ်သည့် အလုပ်တာဝန်များအတွက် စံပြဖြစ်သည်။ SSDs များ၏ ပိုမိုကောင်းမွန်သော စွမ်းဆောင်ရည်သည် latency ကို သိသိသာသာ လျှော့ချနိုင်ပြီး အပလီကေးရှင်းများ၏ အလုံးစုံ တုံ့ပြန်မှုကို မြှင့်တင်ပေးနိုင်ပါသည်။
Local SSD persistent disks များသည် အပလီကေးရှင်းကို လက်ခံဆောင်ရွက်ပေးနေသော virtual machine (VM) နှင့် ပေါင်းစပ်ထားသော အထူးပြုသိုလှောင်မှုအမျိုးအစားဖြစ်သည်။ ဤဒစ်များသည် အလွန်နိမ့်သော latency နှင့် မြင့်မားသော I/O စွမ်းဆောင်ရည်ကို ပေးစွမ်းသောကြောင့် ၎င်းတို့သည် ကြိမ်နှုန်းမြင့်သော ကုန်သွယ်မှု၊ အချိန်နှင့်တစ်ပြေးညီ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် စက်သင်ယူမှုလေ့ကျင့်မှုကဲ့သို့သော အမြင့်ဆုံးစွမ်းဆောင်ရည်လိုအပ်သည့် အပလီကေးရှင်းများအတွက် သင့်လျော်စေသည်။ Local SSDs များသည် standard နှင့် SSD disks များကဲ့သို့ network-based storage options များနှင့် နှိုင်းယှဉ်ပါက ပိုမိုမြန်ဆန်သော data access ကိုရရှိစေမည့် VM ၏ host server သို့ တိုက်ရိုက်ချိတ်ဆက်ထားပါသည်။
စွမ်းဆောင်ရည်အရ၊ ပုံမှန်ဒစ်များသည် SSD နှင့် local SSDs များနှင့် နှိုင်းယှဉ်ပါက IOPS (Input/Output Operations Per Second) နည်းပါးသည်။ SSD များသည် စံဒစ်များနှင့် နှိုင်းယှဉ်ပါက ပိုမိုမြင့်မားသော IOPS နှင့် latency နည်းပါးသည်ကို ပေးစွမ်းပြီး Local SSDs များသည် ရွေးချယ်စရာသုံးခုတွင် IOPS အမြင့်ဆုံးနှင့် အနိမ့်ဆုံး latency ကို ပေးဆောင်ပါသည်။
အသုံးပြုမှုကိစ္စများနှင့်ပတ်သက်လာလျှင်၊ disk အမျိုးအစားရွေးချယ်မှုသည် အလုပ်ပမာဏ၏ သီးခြားလိုအပ်ချက်များပေါ်တွင် မူတည်သည်။ ပုံမှန်ဒစ်များသည် အလယ်အလတ် I/O လိုအပ်ချက်များနှင့် ကုန်ကျစရိတ်သက်သာမှုကို ဦးစားပေးသည့် အပလီကေးရှင်းများအတွက် သင့်လျော်သည်။ မြင့်မားသော I/O စွမ်းဆောင်ရည်နှင့် ဒေတာဝင်ရောက်မှု ပိုမိုမြန်ဆန်သော အပလီကေးရှင်းများအတွက် SSD များကို အကြံပြုထားပါသည်။ Local SSDs များသည် အမြင့်ဆုံးစွမ်းဆောင်ရည်ကိုတောင်းဆိုပြီး latency နည်းပါးပြီး IOPS မြင့်မားသော application များအတွက် စံပြဖြစ်သည်။
အနှစ်ချုပ်ရစေရန်၊ စံဒစ်များသည် မျှတသောစွမ်းဆောင်ရည်နှင့် ကုန်ကျစရိတ်ထိရောက်မှုပေါင်းစပ်မှုကို ပေးစွမ်းသည်၊ SSD များသည် မြင့်မားသော I/O အလုပ်များများအတွက် ပိုမိုမြန်ဆန်စွာ ဖတ်ရှုနိုင်စေရန်နှင့် ရေးနိုင်မှုအမြန်နှုန်းများကို ပေးစွမ်းပြီး ပြည်တွင်းရှိ SSD မြဲမြံသောဒစ်များသည် အမြင့်ဆုံးအဆင့်ကို ကြာမြင့်ချိန်အလွန်နည်းသော စွမ်းဆောင်ရည်ကို ပေးဆောင်ပါသည်။ အလယ်အလတ် I/O လိုအပ်ချက်များအတွက် စံ disk များ ၊ မြင့်မားသော I/O စွမ်းဆောင်ရည်အတွက် SSDs နှင့် အမြင့်ဆုံးစွမ်းဆောင်ရည်လိုအပ်ချက်များအတွက် local SSDs များနှင့်အတူ disk အမျိုးအစား၏ရွေးချယ်မှုသည် သီးခြားလိုအပ်ချက်များပေါ်တွင်မူတည်ပါသည်။
အခြား လတ်တလောမေးခွန်းများနှင့် အဖြေများ EITC/AI/GCML Google Cloud Machine Learning:
- ပုံမှန်ပြုလုပ်ခြင်းဆိုတာဘာလဲ။
- ကြီးကြပ်မှု နှင့် ကြီးကြပ်မှုမရှိသော သင်ယူမှု နှစ်ခုလုံးကို တစ်ပြိုင်နက် လုပ်ဆောင်သည့် သင်ယူမှု အမျိုးအစားများ ရှိပါသလား။
- ကြီးကြပ်မထားသော စက်သင်ယူမှုစနစ်များတွင် သင်ယူမှုသည် မည်သို့ဖြစ်သနည်း။
- Google Cloud Machine Learning/AI Platform တွင် Fashion-MNIST ဒေတာအတွဲကို မည်သို့အသုံးပြုရမည်နည်း။
- စက်သင်ယူခြင်းအတွက် မည်သည့် algorithms အမျိုးအစားများရှိပြီး ၎င်းတို့ကို မည်သို့ရွေးချယ်သနည်း။
- kernel တစ်ခုကို ဒေတာဖြင့် ဖောက်ထွင်းခံရပြီး မူရင်းသည် လျှို့ဝှက်ထားသည့်အခါ၊ ခြည်ခြည်မျှင်သည် အများသူငှာ ဖြစ်နိုင်ပြီး ၎င်းသည် ကိုယ်ရေးကိုယ်တာချိုးဖောက်မှုမဟုတ်ပါက၊
- ကုန်သွယ်မှုခန့်မှန်းခြင်းကဲ့သို့သော NLG မော်ဒယ်လ်ဂျစ်ကို NLG မှလွဲ၍ အခြားရည်ရွယ်ချက်များအတွက် အသုံးပြုနိုင်ပါသလား။
- စက်သင်ယူခြင်း၏ နောက်ထပ်အသေးစိတ်အဆင့်အချို့ကား အဘယ်နည်း။
- TensorBoard သည် မော်ဒယ်အမြင်အာရုံအတွက် အသင့်တော်ဆုံးကိရိယာဖြစ်ပါသလား။
- ဒေတာကို သန့်ရှင်းရေးလုပ်တဲ့အခါ ဒေတာကို ဘက်လိုက်မှုမရှိအောင် ဘယ်လိုလုပ်နိုင်မလဲ။
EITC/AI/GCML Google Cloud Machine Learning တွင် နောက်ထပ်မေးခွန်းများနှင့် အဖြေများကို ကြည့်ပါ။