认识达内从这里开始

认真做教育专心促就业

机器学习在不同环境下的运行特点

发布：太原达内教育官网
来源：互联网
时间：2019-04-28 08:29

随着我们对人工智能和机器学习技术的掌握程度的提高，企业在机器学习平台的搭建上也都有了自己的特点，下面我们就根据环境的不同来了解一下这些特点内容都有哪些。

机器学习在不同环境下的运行特点

准备数据是一次机器学习任务的起点，但数据准备的平台化，从实现上来说应该是比较困难的。因为数据准备是一个需求差异非常大、很难将其标准化的过程。目前开源领域也有一些针对不同场景的打标工具，如labelme等，但这一方面的工程实现和研究性工作其实都不太常见。

训练是机器学习任务中的重中之重。机器学习平台的训练支持指的是，用户通过指定使用的资源数量、分布式模型(AllReduce、ParameterServer等)、分布式配置(ParameterServer数量等)等，直接在平台上进行模型训练。

从平台的角度来看，这一特性主要涉及到对不同类型的框架、不同的分布式模型、不同的硬件的支持，以及分布式训练任务的服务发现、错误处理，不同任务的资源隔离与复用等问题。除此之外，有些场景对于在线训练也有需要，如何支持在线训练，是一个机器学习全流程都需要考虑的问题。

再接下来，就是模型服务。这一特性与传统的PaaS比较类似，因为模型服务目前多是以RESTfulAPI暴露给外部的，与传统的Web服务非常类似。不过从实现角度而言，不同的框架训练的模型往往需要用不同的方式发布出去，而且模型服务关注的度量指标与传统Web服务也有较大差别。

回到版本管理，传统的应用往往只涉及配置与代码的管理，而机器学习则多了不少新的维度，如模型、版本等。这一部分的特性虽然比较dirtywork，但是却与用户的使用体验息息相关。除此之外，还有整个过程中的监控问题(训练过程监控，服务过程监控)，也是同样性质的工作。

在解决完上面的问题后，机器学习工作流的构建这一特性就水到渠成地摆到台面上了。如何让用户用尽可能少的交互取得他/她想要的效果，以及如何加强这一过程的自动化，是离不开工作流方面的工作的。

至于超参数训练与模型结构搜索，这是机器学习平台的高级特性。虽然自动机器学习听上去非常有前途，但相关技术目前仍处于研究阶段。对于超参数训练来说，难过的一关是性价比问题。RandomSearch、GridSearch和贝叶斯优化方法是常用的调参方法，它们找到的参数确实可能比人工调参有更好的效果，但与此同时，它们也会需要更多的硬件资源。因此这一特性属于锦上添花，而不能起到雪中送炭的作用。至于模型结构搜索，就更遥远了。

【免责声明】：本内容转载于网络，转载目的在于传递信息。文章内容为作者个人意见，本平台对文中陈述、观点保持中立，不对所包含内容的准确性、可靠性与完整性提供形式地保证。请读者仅作参考。

< 上一篇：人工运维都经历了哪些发展阶段

下一篇：财务人员需要注意的一些开发票的常见错误问题 >