説明
Cloud Bigtable に依存するパフォーマンス テストを実行している場合は、テストを計画して実行するときに必ず次の手順に従ってください。
実稼働インスタンスを使用します。開発インスタンスからは、実稼働インスタンスが負荷の下でどのように動作するかを正確に把握することはできません。
少なくとも 300 GB のデータを使用します。Cloud Bigtable は、1 TB 以上のデータで最高のパフォーマンスを発揮します。ただし、3 ノード クラスターのパフォーマンス テストで妥当な結果を得るには、300 GB のデータで十分です。大規模なクラスターでは、次を使用します。
ノードあたり 100 GB のデータ。
テストする前に、数分間にわたる強力な事前テストを実行します。このステップにより、Cloud Bigtable は、観察したアクセス パターンに基づいてノード間でデータのバランスをとることができます。
テストを少なくとも 10 分間実行します。このステップにより、Cloud Bigtable はデータをさらに最適化し、ディスクからの読み取りとメモリからのキャッシュされた読み取りを確実にテストできるようになります。
参考: https://cloud.google.com/bigtable/docs/performance

説明
従来の機械学習は、1 つの入力層と 1 つの出力層、およびその間の最大 1 つの隠れ層で構成される浅いネットに依存しています。3 つ以上の層 (入力と出力を含む) は「深層」学習として認められます。
「非常に深い」とは厳密に定義された専門用語で、複数の隠れ層を意味します。
ディープラーニング ネットワークでは、ノードの各層が、前の層の出力に基づいて個別の機能セットをトレーニングします。ニューラル ネットワークの奥に進むほど、ノードは前の層の特徴を集約して再結合するため、ノードが認識できる特徴がより複雑になります。
隠れ層が 1 つだけあるニューラル ネットワークでは、目などの顔の高レベルの特徴を自動的に認識できません。これは、低レベルの特徴を検出する以前の隠れ層を使用してこれらの特徴を「構築」できないためです。線として。
生の画像データに対して特徴エンジニアリングを実行するのは困難です。
K 平均法クラスタリングは、ラベルのないデータを分類するために使用される教師なし学習方法です。
参考: https://deeplearning4j.org/neuralnet-overview

既存のテーブルをパーティション テーブルに変更することはできません。パーティションテーブルを最初から作成する必要があります。その後、毎日データをストリーミングすると、データは自動的に適切なパーティションに配置されます。または、テーブル名の末尾に「$YYYYMMDD」を使用して、特定のパーティションにデータをロードすることもできます。
参考: https://cloud.google.com/bigquery/docs/partitioned-tables