Python 机器学习模型状态的部署与维护

好的，所以我对机器/深度学习世界是相当陌生的，在实现算法方面我的手很脏，但是我有一些差距，我想了解这个行业是如何做到这一点的

我是一名经验丰富的开发人员，拥有五年半复杂用例应用程序（Web和移动）开发经验。我对如何从零开始将应用程序从开发到生产有详细的了解

在阅读教程和所有在线可用文档的同时，解释如何在本地开发基本上类似于python脚本的模型。该脚本以结构化或非结构化的方式获取一些数据，对数据进行预处理，并根据接收到的数据对模型进行训练。所有这些都很好，因为有很多文档和在线教程可供使用，但没有人解释如何将其用于生产以及如何在生产中维护它

我还没有确定如何将模型推送到生产环境中，以及何时将模型部署到生产环境中，我们应该从哪些数据在服务器上培训模型。它应该是我们在机器上本地使用的相同数据还是其他数据？此外，当我们对模型进行任何更改并将其重新部署到生产环境中时，我们是否必须再次训练模型（因为模型似乎是无状态的，并且必须在内存中存储所有训练结果和查找结果）。如果这是真的，那么在服务器上培训模型期间，重新部署模型将导致应用程序停机

我打赌工业界一定在以某种方式处理这一切。我想了解整个过程，如果我能有同样的参考资料，那就太好了

---

我正在使用

Tensorlfow

、

Scikitlearn

和其他流行的开发库。

这只是我的想法，可能不是标准的

一个模型就是一个模型，你可以将它保存到一个文件中，它只是一个文件，你可以复制它，它没有任何电子文档

部署的一种方法是通过某种形式的API公开

.predict（）

方法。您可以使用您最喜欢的web框架来实现这一点，但由于您使用的是

tensorflow

，使用flask/django可能会更容易

另一件事是，如果你实际上没有弄乱层的内部结构，就只使用

keras

，这对于外行来说比

tensorflow

更简单，它位于

tensorflow

之上，所以你使用的是相同的技术

那么，如何处理再培训？ML只有在进行培训时才是计算密集型的，所以您需要单独进行培训，将经过培训的模型插入API中。理想情况下，这可以在不中断生产的情况下完成，它只是一个可以在一天结束时覆盖的文件。当然有一些微妙之处，但应该非常接近无缝

---

至于事后的继续培训，我将从这一点开始。

请允许我提醒您，这是关于具体的编码问题，而不是关于系统设计、部署选项或外部源位置和建议；特别是关于您问题的最后一部分（参考资料），请花一些时间重新阅读，并注意要求我们推荐或查找书籍、工具、软件库、，教程或其他场外资源与SO无关。我投票将此问题作为场外问题结束，因为它与指南中定义的编程无关。我建议您不要回答社区指南中建议的场外问题-请参阅，和