Google 云端机器学习和 Tensor Flow 的 Alpha 测试版本发布

上个月末，Google发布了 alpha 版本的TensorFlow（TF）集成云端机器学习服务，为回应不断增长的大规模在 Google云端平台（GCP）运行 Tensor Flow 库的需要。

Google详细描述了一些有关建立 TF 使用规模的新功能，其中集成了一些 GCP 的模块，例如Dataproc，是一个托管的Hadoop和Spark服务。开源机器学习系统 TF 和 GCP 的集成“使用户能够在托管的云服务上运行自定义的分布式学习算法”，作为发布的一部分，并与大数据和分析平台以及机器学习领域紧密地结合起来。

PaaS 将 TF 和若干预先为语言翻译、图片与语音辨识训练的模型连接起来。TF服务现在集成了Kubernets以利用它的负载平衡器和Docker的pod编制语义来“有规模地训练成千上万的内核”。这个例子通过复制包装过的 TF 资源记下了运行一个训练过的Inception-v3模型的过程，包括 TF 基于服务的gRPC服务器和跨 pod 模型属性，以及在一个集群过程中“超过 2700 万的参数和每次推理进行的 57 亿浮点运算”。

Docker 集成进一步支持了新模型作为持续训练管道的版本打包和部署，这是一个 TF 服务目标在今年早些时候公布的。一个为展示和学习的 TF 和 Kubernetes教程允许用户再现一个基于 Inception的 TF 和 Kubernetes 管道。

这次通告还提及了 Apache Beam，这是一个新的数据处理管道项目方案，它可以潜在地满足一定规模的 TF 对传递学习数据集的管道需要，提供了批处理和流处理选项，同时也兼容Spark、Flink和基于Dataflow的系统。Google 提供了与紧密耦合的 ML 系统相关的分析，根据可维护性和随着时间而产生的技术债而来，其中的技术债可能会指向 ML 更远的标准化可能性和通过观看 TF 贯穿于 GCP 中渐增的普遍性。

查看英文原文：Google Cloud Machine Learning and Tensor Flow Alpha Release

感谢侠天对本文的审校。

给 InfoQ 中文站投稿或者参与内容翻译工作，请邮件至editors@cn.infoq.com。也欢迎大家通过新浪微博（@InfoQ，@丁晓昀），微信（微信号：InfoQChina）关注我们。