11. 各云平台比较




有许多机器学习云平台，我们在这里展示了以下几个平台的介绍。在接下来的几节课中，您将学习如何使用Amazon的SageMaker来部署机器学习模型。因此，我们提供了有关亚马逊SageMaker的更多信息。为了比较SageMaker提供的功能，我们还详细提供了有关Google ML引擎的信息，因为它们两者最为相似。

亚马逊网络服务（AWS）

亚马逊网络服务（AWS）SageMaker是亚马逊的云服务，允许您构建，培训和部署机器学习模型。使用亚马逊SageMaker服务的一些优点如下：

  • 机器学习语言的灵活性：SageMaker可以灵活地使用任何编程语言或软件框架来构建，培训和部署AWS中的机器学习模型。详细信息，可以参阅下面SageMaker中的三种建模方法。
    • 内置算法 - 在SageMaker中可以轻松使用至少十五种内置算法。具体而言，包括使用linear regression或XGBoost进行离散分类或定量分析的内置算法，也包括使K-Means基于属性的分组算法，以及图像分类算法等许多其他算法。
    • 自定义算法 - SageMaker中有不同的编程语言和软件框架可用于开发自定义算法，包括：PyTorch，TensorFlow，Apache MXNet，Apache Spark和Chainer。
    • 自己的算法 - 无论编程语言或软件框架如何，当你的算法未包含在上述内置算法或自定义算法中时，您可以使用自己的算法。
  • SageMaker中可以探索和处理数据：SageMaker支持使用Jupyter noteook来探索和处理数据，也支持对机器学习模型的创建，培训，验证，测试和部署。该Jupyter Notebook界面使数据探索和文档更容易。
  • SageMaker建模和部署的灵活性：SageMaker提供了许多功能和自动化工具，使建模和部署更加容易。有关SageMaker中这些功能的详细信息，请参阅下文。
    • 自动模型调整：SageMaker提供的功能允许超参数的自动调整，以便为内置和自定义算法找到最佳的模型参数。对于内置算法，SageMaker还提供评估指标以评估模型的性能。
    • 监控模型：SageMaker提供的功能允许你监控已部署的模型。此外，通过模型部署，可以监控路由到每个部署模型（模型变体）的流量。
    • 预测类型：默认情况下，SageMaker允许按需预测类型，其中每个预测请求可以包含一个到多个请求。
  • SageMaker还允许批量预测，请求数据大小限制基于S3对象大小限制。

Google云端平台（GCP）

Google Cloud Platform（GCP）ML Engine是Google的云服务，可让您构建，培训和部署机器学习模型。下面我们重点介绍了这两个云服务平台之间的一些相似点和不同点。

  • 预测成本：两者之间的主要区别在于它们如何处理预测数据。使用SageMaker预测，您必须保持模型运行以提供预测。如果在服务运行时没有（或很少）预测请求，则也需要支付模型运行的费用。使用ML Engine预测，可以选择不让模型运行，从而降低与不频繁或定期请求相关的成本。因为模型处于脱机状态，直到它们收到预测请求。增加的延迟与将模型重启有关，但这样的设置只需支付模型使用的时间。
  • 探索和处理数据的能力：ML Engine和SageMaker之间的另一个区别是ML Engine中没有Jupyter Notebook。要在Google的云平台（GCP）中使用Jupyter Notebook，可以使用Datalab。 GCP将数据探索，处理和转换分为其他服务。具体而言，Google的Datalab可用于数据探索和数据处理，Dataprep可用于探索原始数据并将其转换为干净的数据以进行分析和处理，DataFlow可用于部署批量和流数据处理流水线。注意到Amazon Web Services（AWS）也具有AWS Glue和AWS Data Pipeline等数据处理和转换管道服务。
  • 机器学习模型：最终的区别在于，与亚马逊的SageMaker相比，Google的ML引擎在GCP中构建，培训和部署机器学习模型的可用软件框架的灵活性较低。有关ML Engine内建模的两个可用软件框架的详细信息，请参阅下文。
    • Google的TensorFlow是一个开源机器学习框架，最初由Google Brain团队开发。 TensorFlow可用于创建，培训和部署机器学习和深度学习模型。 Keras是一个用Python编写的更高级别的API，它运行在TensorFlow之上，更易于使用，并允许更快的开发。 GCP提供了TensorFlow示例和Keras示例。
    • Google的Scikit-learn是一个Python开源机器学习框架，最初是作为Google Summer of Code项目开发的。 Scikit-learn和XGBoost Python软件包可以一起用于创建，培训和部署机器学习模型。在Google的示例中，XGBoost用于建模，Scikit-learn用于处理数据。
  • 建模和部署的灵活性：Google的ML引擎提供了许多功能和自动化工具，使建模和部署更加容易，类似于亚马逊SageMaker提供的功能。有关ML Engine内这些功能的详细信息，请参阅下文。
    • 自动超参数调整：Google的ML引擎提供了一项功能，可通过超参数调整来获得模型的最佳参数。
    • 监控模型：Google的ML Engine提供的功能可让您监控模型。此外，ML Engine提供的方法可以管理运行时版本以及管理模型和作业。
    • 预测类型：ML引擎允许On demand（或按需）类型的预测，其中每个预测请求可以包含一个到多个请求。 ML Engine还允许批量预测。

Microsoft Azure

与亚马逊的SageMaker和谷歌的ML引擎类似，微软提供Azure AI。 Azure AI提供了一个开放而全面的平台，其中包括人工智能软件框架，如：TensorFlow，PyTorch，scikit-learn，MxNet，Chainer，Caffe2以及Azure Machine Learning Studio等其他软件。有关更多详细信息，请参阅Azure AI和Azure Machine Learning Studio。

Paperspace

Paperspace简单地为GPU支持的虚拟机提供行业标准软件工具和框架，如：TensorFlow，Keras，Caffe和Torch，用于机器学习，深度学习和数据科学。 Paperspace自己的宣传语是，提供比AWS，GCP或Azure提供的功能更强大且更便宜的虚拟机。

Cloud Foundry

Cloud Foundry是一个开源云应用程序平台，由思科，谷歌，IBM，微软，SAP等公司提供支持。 Cloud Foundry通过为其用户提供云，开发人员框架和应用程序服务选项，来实现一种更快速，更轻松的方式来构建，测试，部署和扩展应用程序。 Cloud Foundry认证平台为组织提供了一种方式，使其云应用程序可以跨平台（包括IBM和SAP云平台）迁移。