要創(chuàng)建有效的深度學(xué)習(xí)模型，需要提供大量的數(shù)據(jù)，對模型進行有效的訓(xùn)練。然后安裝模型，對模型進行監(jiān)視以防止出現(xiàn)漂移，并根據(jù)需要對其進行重新訓(xùn)練，以此反復(fù)。

模型的訓(xùn)練需要使用非常多的計算資源，如果您已經(jīng)投資了大規(guī)模的計算資源，您可以在本地完成所有這些工作。但是，你會發(fā)現(xiàn)這些計算資源在許多時間處于非活動狀態(tài)。如果在云平臺中進行上述活動，則可能更具成本效益。

大多數(shù)云提供商投入大量精力來構(gòu)建其機器學(xué)習(xí)平臺，以支持整個機器學(xué)習(xí)生命周期。每個端到端機器學(xué)習(xí)平臺應(yīng)提供哪些功能呢？

訓(xùn)練數(shù)據(jù)模型

當你準備好了大量的訓(xùn)練數(shù)據(jù)之后，您當然不希望遷移這些數(shù)據(jù)。因為這個過程通常需要花費非常長時間，這意味著您在這段時間內(nèi)什么事也不能做。對于大型數(shù)據(jù)集，理想的情況是創(chuàng)建一個已經(jīng)存在數(shù)據(jù)的模型，從而避免大量數(shù)據(jù)遷移。

支持ETL或ELT

ETL（導(dǎo)出，轉(zhuǎn)換和加載）和ELT（導(dǎo)出，加載和轉(zhuǎn)換）是數(shù)據(jù)庫領(lǐng)域中的兩種常見數(shù)據(jù)配置技術(shù)。機器學(xué)習(xí)和深度學(xué)習(xí)非常需要這些工具，尤其是變換部分。

支持在線模型訓(xùn)練

建立良好的機器學(xué)習(xí)和深度學(xué)習(xí)模型需要大規(guī)模數(shù)據(jù)，將這些數(shù)據(jù)全部下載到本地進行模型訓(xùn)練，是非常費時過程。而且數(shù)據(jù)規(guī)模達到一定規(guī)模之后，您會發(fā)現(xiàn)很難找到本地資源來存儲這些數(shù)據(jù)，所以支持在線模型訓(xùn)練成本云平臺必須要具有的功能。

支持scale-up and scale-out訓(xùn)練

利用云平臺，幫助生成多個大型虛擬機或容器環(huán)境，加速在本地筆記本進行的訓(xùn)練活動，這將大大較少我們的訓(xùn)練時間。

提供優(yōu)化的AI服務(wù)

云平臺為許多應(yīng)用程序提供了健壯且經(jīng)過優(yōu)化的AI服務(wù)或解決方案，而不僅僅是圖像檢測。這些包括語言翻譯，語音到文本，文本到語音，預(yù)測和推薦。這些服務(wù)已經(jīng)在比企業(yè)通常可用的更多數(shù)據(jù)集中進行了培訓(xùn)和檢查。這些也安裝在具有足夠計算資源的服務(wù)端點上，包括加速器，以確認在全球負載下的良好響應(yīng)時間。
責編AJX