Google app engine 当托管tensorflow模型进行预测时，Google app engine和Google ML engine之间的主要区别是什么？

我有一个本地训练的tensorflow模型，需要托管在云服务上，这样我就可以在我的Flatter应用程序中调用它，对输入数据进行预测

在搜索解决方案时，我发现人们通过使用ML引擎（通过firebase函数调用模型预测）和应用程序引擎（使用RESTAPI从托管模型获取预测）实现了上述目标

---

如果两者达到相同的结果，为什么有两种服务？一个比另一个快吗？还是更便宜？除了有一个面向前端的应用程序外，这两种服务是相同的吗？

要为Tensorflow服务的模型提供服务，您需要。。。tensorflow服务，安装在您的环境中的二进制文件

所以，使用AppEngine标准，您不能安装任何二进制文件，只能定义要使用的依赖项

使用AppEngine Flexible，您可以设置并提供Dockerfile来自定义它。这一次，您无法在App Engine flex上安装TensorFlow服务和服务您的模型

注意：应用程序引擎的标准比例为0，不处理任何请求时不付款。应用程序引擎可灵活扩展到1，因此，无论是否有流量，您至少需要支付1个实例的全职费用

---

在人工智能平台方面，你有。传统的

MLS1

，其行为和定价非常接近应用程序引擎标准（缩放到0，如果创建实例，则至少支付15分钟的运行时间，…），但安装了tensorflow服务，因此，您可以使用它进行预测

但是，

MLS1

类型支持高达500Mb的型号，它不适合您

N1

类型是AI平台在线预测服务的新平台（在这种类型的机器上不可能批量）。更多CPU、GPU、内存，型号高达2Gb，。。。但是，就像AppEngine Flexible一样，该平台可以扩展到1，因此即使你不提供流量服务，你也要付费

注：AI平台服务机器针对预测和tensorflow进行了优化。App Engine针对通用性，特别是web服务进行了优化

---

我表演了一个

---

从那时起，我对这些解决方案并不满意。我找到了第三种为模型服务的方法，这次是云运行。I（容器启动时间更长（冷启动），但请求处理效率更高）和（处理时间更长，但可用于不同类型的模型）

在最后一篇文章中，我发布了一个开源解决方案。如果需要，我可以根据您的要求进行更新

---

---

最后一点注意：也许可以在应用程序引擎标准上使用TensorflowJS模型和NodeJS运行时环境提供tensorflow模型。我从未测试过（我既不是数据科学家，也不是NodeJS开发人员）

你能在appengine上共享Tensorflow的链接吗？您是否也可以分享您的型号要求（型号大小、所需CPU数量、GPU、批处理或在线服务等）？您好，不知道您指的是什么链接，是app engine型号托管的文档吗？至于我的型号，它的大小是500-700MB，4核CPU就足够了，不需要GPU，我更喜欢在线服务，因为我会从我的应用程序发送预测请求。谢谢