除了实现机器学习算法之外，机器学习还包含许多其他内容。 生产型机器学习系统涉及大量组件。
Production ML Systems
到目前为止，我们已经讨论过
那么，机器学习系统的其他部分呢？
系统级组件
- 不需要，您不必自行构建所有内容。
- 尽可能重复使用通用机器学习系统组件。
- Google CloudML 解决方案包括 Dataflow 和 TF Serving
- 您还可以在 Spark、Hadoop 等其他平台中找到这些组件。
- 您如何知道自己需要什么？
- 了解机器学习系统的一些范例并他们的要求
视频讲座总结
到目前为止，机器学习速成课程侧重于构建机器学习模型。 不过，如下图所示， 生产环境中的机器学习系统是大型生态系统， 只是一个组成部分。
图 1. 用于生产环境的机器学习系统。
机器学习代码是真实机器学习生产系统的核心， 该框通常仅代表整个代码的 5% 或更少 整个机器学习生产系统的关键。（这并非印刷错误。） 请注意，机器学习生产系统投入了大量资源， 收集、验证以及提取特征。 此外，请注意，必须部署服务基础架构 将机器学习模型的预测付诸实践。
幸运的是，上图中的许多组件都可以重复使用。 此外，您无需自行构建图 1 中的所有组件。
TensorFlow Extended (TFX) 是一种端到端 用于部署生产型机器学习流水线的平台。
后续单元将有助于您在构建 生产环境机器学习系统。