2022 Python 计算生态十月推荐榜 第56期

22年10月10日 · Python123 2501 人阅读
![]() |
看见更大的世界,遇见更好的自己
See a better world to meet better for ourselves.
模型部署工具是将机器学习模型投入生产的过程,使得模型的预测可供用户使用。模型部署被认为是一个具有挑战性的阶段,由于模型开发和训练与组织技术堆栈之间的技术和思维方式差异,例如版本控制、测试和扩展,这使得部署变得困难,这些组织和技术孤岛可以通过正确的模型部署框架、工具和流程来克服。在生产环境中创建和部署经过训练的模型 API 取决于机器学习生命周期的许多方面,MLOps的概念对于处理复杂的 ML 部署环境非常有益,下面列出了一些用于模型部署的最佳 MLOps 工具,帮助您扩展和管理机器学习生命周期的所有要素,包括服务、监控和管理 API 端点。
2022年10月,随着我们训练的模型越来越多,在不断尝试不同方式部署的过程中,好事者特别推荐10款优秀的Python计算生态,帮助您了解Python的模型部署工具。
onnx
Open Neural Network
Exchange(ONNX,开放神经网络交换)格式,是一个用于表示深度学习模型的标准,可使模型在不同框架之间进行转移。
TensorFlow Serving
TensorFlow Serving专为生产环境而设计,是一个适用于机器学习模型的灵活、高性能应用系统。TensorFlow Serving提供与
TensorFlow模型的开箱即用型集成,但也可以轻松扩展以应用其他类型的模型和数据,同时保留相同的服务器架构和API。
https://pypi.org/project/tensorflow-serving-api/
MLflow
MLflow 是由 Apache Spark 技术团队开源的一个机器学习平台,主打开放性: 开放接口:可与任意 ML 库、算法、部署工具或编程语言一起使用。
https://mlflow.org/docs/latest/python_api/mlflow.html
Kubeflow
Kubeflow 项目致力于使在 Kubernetes 上部署机器学习
(ML) 工作流变得简单、可移植和可扩展。我们的目标不是重新创建其他服务,而是提供一种直接的方式来将用于 ML 的同类最佳开源系统部署到不同的基础设施。在任何运行 Kubernetes 的地方,都应该能够运行 Kubeflow。
Cortex
Cortex 是一个开源的多框架工具,它足够灵活,可以用作模型服务工具,也可以用于模型监控等目的。
Seldon.io
Seldon.io 提供 Seldon 核心,这是一个开源框架。该框架简化并加速了 ML 模型和实验部署。
BentoML
BentoML 简化了构建机器学习服务的过程。它提供了一个基于 Python 的标准架构,用于部署和维护生产级 API。这种架构允许用户使用任何 ML 框架轻松打包经过训练的模型,以进行在线和离线模型服务。
AWS Sagemaker
AWS Sagemaker 是 Amazon 提供的一项功能强大的服务。它使 ML 开发人员能够快速构建、训练和部署机器学习模型。
https://aws.amazon.com/cn/sagemaker/
Torchserve
Torchserve 是一个 Pytorch 模型服务框架。它简化了大规模部署经过训练的 PyTorch 模型。它消除了为模型部署编写自定义代码的需要。
https://github.com/lutzroeder/netron
TensorRT
NVIDIA TensorRT是一种高性能神经网络推理引擎,用于在生产环境中部署深度学习应用程序,应用有图像分类、分割和目标检测等,可提供最大的推理吞吐量和效率。
Python3Turtle