程序员不浪漫？！

Azure机器学习支持多种框架，如scikit-learn、Keras、PyTorch、XGBoost、TensorFlow和MXNet。其拥有自己的D/MLOps套件，其中包含大量的图形。喜欢模型开发的人可以使用拖放界面，不过也附带了各种警告。模型和实验管理，如预期的那样由微软通过注册表完成。使用Azure Kubernetes服务进行生产部署，控制转出也是可能的。

IBM Watson ML提供了指向和点击机器学习选项(SPSS)和对常见框架组的支持。作为两大主要参与者之一，模型是在CPU或GPU上训练的，超参数调优也包含在框中。该平台没有很多关于数据和模型验证的细节，因为这些在其他IBM产品中是可用的。

尽管阿里巴巴的人工智能机器学习平台标榜着两个流行词，但它并没有改进文档，关于最佳实践的部分写的是用例而非建议。

不管怎样，它在拖放方面下了功夫，特别是在数据管理和建模方面，这可能对一个自动化的端到端ML平台帮助不大。该平台支持诸如TensorFlow、MXNet和Caffe等框架，但它也支持大量的传统算法。正如所料，它还包括一个超参数调谐器。

模型序列化使用PMML、TensorFlow的SavedModel格式或Caffe格式完成。请注意，采用PMML、ONNX或PFA文件的评分引擎可能会支持快速部署，但它有引入培训/服务倾斜的风险，因为服务的模型是从不同的格式加载的。

其他平台

H2O提供了一个使用POJO或MOJO进行数据操作、多种算法、交叉验证、超参数调优网格搜索、特性排序和模型序列化的平台。

 

谷歌没有托管平台，但是通过TFX、Kubeflow和AI平台，可以将在CPU、GPU和TPUs上运行的模型所需的组件组合在一起，调优超参数，并自动部署到生产环境中。Spotify甚至选择了TFX/Kubeflow-on-GCP选项。

除了TensorFlow，还有对scikit-learn和XGBoost的支持。自定义容器允许使用任何框架，如PyTorch。SageMaker Ground Truth的标签服务目前处于测试阶段。

 

AWS、Azure、GCP和Co

公共云领域的主要参与者都有自己的机器学习平台，除了Oracle，他们只为特定的用例和行业提供封闭的基于机器学习的模型。

AWS SageMaker是一个全堆栈的机器学习解决方案，支持TensorFlow、Keras、PyTorch和MXNet。使用SageMaker Neo，可以将模型部署到云端和边缘。它有一个内置的功能，可以通过Amazon MechanicalTurk对S3中存储的数据附上标签。

 

Lyft已开放了其云本地平台Flyte，在这个平台上数据和机器学习操作融合在一起。这与我的D/MLOps方法相一致——数据(Ops)之于MLOps就像燃料之于火箭：没有它将徒劳无功。

Flyte是建立于Kubernetes之上。它是由Lyft内部使用的，可以扩展到至少7000个独特的工作流，每个月执行超过100,000次，100万个任务和1000万个容器。

Flyte中的所有实体都是不可变的，因此可以跟踪数据沿袭、重现实验和削减部署。重复任务可以利用任务缓存来节省时间和金钱。目前支持的任务包括Python、Hive、Presto和Spark以及sidecars。从源代码来看，似乎是EKS。他们的数据目录也是Amundsen，这与Spotify的Lexikon很像。

（编辑：济宁站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!