Azure ML 和 Azure ML 实验之间的区别
Difference between Azure ML and Azure ML experimentation
-
azure
-
docker
-
azure-machine-learning-studio
-
azure-machine-learning-workbench
-
azure-machine-learning-service
我是 Azure ML 的新手。我有一些疑问。谁能澄清我在下面列出的疑问。
- Azure ML 服务 Azure ML 实验服务有什么区别。
- Azure ML workbench 和 Azure ML Studio 有什么区别。
- 我想使用 azure ML Experimentation 服务来构建少量模型和创建 Web API。是否可以对 ML studio 做同样的事情。
- 而且 ML Experimentation 服务要求我安装 docker for windows 以创建 Web 服务。
我可以在不使用 docker 的情况下创建 Web 服务吗？
我会尽力回答这些问题，欢迎提出更多问题。 :)
What is the difference between Azure ML service Azure ML experimentation service?
本质上，Azure ML 服务（我可能将其称为 Azure ML Studio）使用拖放界面来构建您的工作流和测试模型。 Azure ML 实验是 Azure 门户的一项新产品，可将它们直接托管在 Azure 中，并提供更好的方法来管理您的模型。实验将使用 Azure ML Workbench 构建您的模型。
What is the difference between Azure ML workbench and Azure ML Studio?
最大的区别是 ML Studio 具有用于构建工作流程和模型的拖放界面，而 Workbench 允许您使用 Python 以编程方式构建模型。 Workbench 还包括一种非常好用且功能强大的方法来清除应用程序中的数据。在 Studio 中，您有一些很好的模块来清理数据，但我认为它没有您在 Workbench.
中可以做的那么强大
编辑：Workbench 应用程序 is deprecated and has been replaced by/upgraded to ML Services。不过，核心功能没有改变。
I want to use azure ML Experimentation service for building few models and creating web API's. Is it possible to do the same with ML studio?
我实际上会说在 ML Studio 中执行此操作要容易得多。拖放界面非常直观，只需点击几下即可创建一个网络 API 来调用您的模型。我觉得，在撰写本文时，部署模型更加复杂，它涉及使用 Azure CLI。
And also ML Experimentation service requires me to have a docker for windows installed for creating web services. Can I create web services without using docker?
这里我不太熟悉 Workbench 的 Docker 部分，但我相信您可以在不使用 Docker 的情况下创建和部署。不过，我相信它需要 Azure 模型管理资源。
希望这对您有所帮助，再次欢迎您提出更多问题。
AML 实验是我们众多新的 ML 产品之一，包括数据准备、实验、模型管理和操作化。 Workbench 是一种 PREVIEW 产品，可为其中一些服务提供 GUI。但它只是 运行 所需的 CLI installer/wrapper。这些服务基于 Spark 和 Python。其他 Python 框架也可以工作，您可以有点笨拙地从 Python 调用 Java/Scala。不太确定你所说的 "Azure ML Service" 是什么意思，也许你指的是我上面提到的运营服务。这将使您可以使用 Docker 容器快速创建新的基于 Python 的 API，并将连接到模型管理帐户以跟踪您的模型和服务之间的关系。此处的所有服务仍处于预览阶段，可能会在 GA 发布之前发生重大变化。
Azure ML Studio 是一个较旧的产品，对某些人（我自己是工程师而不是数据科学家）来说可能更简单。它提供拖放体验，但数据大小限制在 10G 左右。这个产品是GA。
是的，但是您需要较小的数据大小，并且作业流程不是基于 spark 的。我用它来做快速 PoC。此外，与更多 IaaS 的较新服务相比，您对评分的可扩展性（批处理或实时）的控制也较少，因为它是 PaaS。对于大多数用例，我建议查看新服务而不是工作室。
网络服务完全基于Docker。需要 docker 进行实验更多是关于 运行 在本地进行操作，我自己很少这样做。但是，对于实时服务，您打包的所有内容都会放入 docker 容器中，以便可以将其部署到 ACS 集群中。
azure
docker
azure-machine-learning-studio
azure-machine-learning-workbench
azure-machine-learning-service
我是 Azure ML 的新手。我有一些疑问。谁能澄清我在下面列出的疑问。
- Azure ML 服务 Azure ML 实验服务有什么区别。
- Azure ML workbench 和 Azure ML Studio 有什么区别。
- 我想使用 azure ML Experimentation 服务来构建少量模型和创建 Web API。是否可以对 ML studio 做同样的事情。
- 而且 ML Experimentation 服务要求我安装 docker for windows 以创建 Web 服务。 我可以在不使用 docker 的情况下创建 Web 服务吗？
我会尽力回答这些问题，欢迎提出更多问题。 :)
What is the difference between Azure ML service Azure ML experimentation service?
本质上，Azure ML 服务（我可能将其称为 Azure ML Studio）使用拖放界面来构建您的工作流和测试模型。 Azure ML 实验是 Azure 门户的一项新产品，可将它们直接托管在 Azure 中，并提供更好的方法来管理您的模型。实验将使用 Azure ML Workbench 构建您的模型。
What is the difference between Azure ML workbench and Azure ML Studio?
最大的区别是 ML Studio 具有用于构建工作流程和模型的拖放界面，而 Workbench 允许您使用 Python 以编程方式构建模型。 Workbench 还包括一种非常好用且功能强大的方法来清除应用程序中的数据。在 Studio 中，您有一些很好的模块来清理数据，但我认为它没有您在 Workbench.
中可以做的那么强大编辑：Workbench 应用程序 is deprecated and has been replaced by/upgraded to ML Services。不过，核心功能没有改变。
I want to use azure ML Experimentation service for building few models and creating web API's. Is it possible to do the same with ML studio?
我实际上会说在 ML Studio 中执行此操作要容易得多。拖放界面非常直观，只需点击几下即可创建一个网络 API 来调用您的模型。我觉得，在撰写本文时，部署模型更加复杂，它涉及使用 Azure CLI。
And also ML Experimentation service requires me to have a docker for windows installed for creating web services. Can I create web services without using docker?
这里我不太熟悉 Workbench 的 Docker 部分，但我相信您可以在不使用 Docker 的情况下创建和部署。不过，我相信它需要 Azure 模型管理资源。
希望这对您有所帮助，再次欢迎您提出更多问题。
AML 实验是我们众多新的 ML 产品之一，包括数据准备、实验、模型管理和操作化。 Workbench 是一种 PREVIEW 产品，可为其中一些服务提供 GUI。但它只是 运行 所需的 CLI installer/wrapper。这些服务基于 Spark 和 Python。其他 Python 框架也可以工作，您可以有点笨拙地从 Python 调用 Java/Scala。不太确定你所说的 "Azure ML Service" 是什么意思，也许你指的是我上面提到的运营服务。这将使您可以使用 Docker 容器快速创建新的基于 Python 的 API，并将连接到模型管理帐户以跟踪您的模型和服务之间的关系。此处的所有服务仍处于预览阶段，可能会在 GA 发布之前发生重大变化。
Azure ML Studio 是一个较旧的产品，对某些人（我自己是工程师而不是数据科学家）来说可能更简单。它提供拖放体验，但数据大小限制在 10G 左右。这个产品是GA。
是的，但是您需要较小的数据大小，并且作业流程不是基于 spark 的。我用它来做快速 PoC。此外，与更多 IaaS 的较新服务相比，您对评分的可扩展性（批处理或实时）的控制也较少，因为它是 PaaS。对于大多数用例，我建议查看新服务而不是工作室。
网络服务完全基于Docker。需要 docker 进行实验更多是关于 运行 在本地进行操作，我自己很少这样做。但是，对于实时服务，您打包的所有内容都会放入 docker 容器中，以便可以将其部署到 ACS 集群中。