[[344159]]

要創建有效的深度學習模型，需要提供大量的數據，對模型進行有效的訓練。然后安裝模型，對模型進行監視以防止出現漂移，并根據需要對其進行重新訓練，以此反復。

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

大多數云提供商投入大量精力來構建其機器學習平臺，以支持整個機器學習生命周期。每個端到端機器學習平臺應提供哪些功能呢?

訓練數據模型

當你準備好了大量的訓練數據之后，您當然不希望遷移這些數據。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什么事也不能做。對于大型數據集，理想的情況是創建一個已經存在數據的模型，從而避免大量數據遷移。

支持ETL或ELT

ETL(導出，轉換和加載)和ELT(導出，加載和轉換)是數據庫領域中的兩種常見數據配置技術。機器學習和深度學習非常需要這些工具，尤其是變換部分。

支持在線模型訓練

建立良好的機器學習和深度學習模型需要大規模數據，將這些數據全部下載到本地進行模型訓練，是非常費時過程。而且數據規模達到一定規模之后，您會發現很難找到本地資源來存儲這些數據，所以支持在線模型訓練成本云平臺必須要具有的功能。

支持scale-up and scale-out訓練

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

提供優化的AI服務

云平臺為許多應用程序提供了健壯且經過優化的AI服務或解決方案，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，預測和推薦。這些服務已經在比企業通常可用的更多數據集中進行了培訓和檢查。這些也安裝在具有足夠計算資源的服務端點上，包括加速器，以確認在全球負載下的良好響應時間。