机器学习不仅仅需要实现机器学习算法。生产型机器学习系统涉及大量组件。
Production ML Systems
到目前为止，我们都谈到了这一点
但是，机器学习系统的其余部分呢？
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 等其他平台中找到组件。
- 如何知道自己需要什么？
- 了解一些机器学习系统范例及其要求
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。但是，如下图所示，现实世界中的生产机器学习系统是大型生态系统，模型只是其中的一部分。
图 1. 现实世界中的生产型机器学习系统。
机器学习代码是现实世界机器学习生产系统的核心，但该方框通常只能提供 5% 或更少的总机器学习生产系统代码。（这不是错误打印。） 请注意，机器学习生产系统将大量资源用于输入数据 - 收集、验证数据并从中提取特征。另请注意，必须有服务基础架构，才能将机器学习模型的预测结果付诸现实世界中的实际用途。
幸运的是，上图中的许多组件可以重复使用。此外，您不必自行构建图 1 中的所有组件。
TensorFlow Extended (TFX) 是一个端到端平台，用于部署生产型机器学习流水线。
后续模块将指导您在构建生产机器学习系统时做出设计决策。