机器学习模型简论

本文不提供机器学习知识干货，只是对一些概念的介绍，希望能解答一些入门时的疑惑。

刚开始接触机器学习的时候，总是绕不开一些机器学习相关的基础概念，比如模型，训练等。读的文章多了我们自己也会在脑海中对这些名词有一些基础的概念，但是比较模糊。

希望读完本文可以让你对模型这个概念有感性的理解。

1 什么是机器学习以及模型

机器学习是一种系统，用于根据输入数据构建预测模型。这种系统会利用学到的模型对训练数据同一来源中提取的新数据进行实用的预测。

机器学习模型是机器学习系统从训练数据学到的内容的表示形式。

模型与训练的关系

训练是通过输入数据确定构成模型的理想参数的过程。

训练数据即训练过程中使用的数据。

常用模型

回归模型

分类模型

神经网络

2 模型的导出与加载

模型训练出来是为了预测，但是模型训练的工程不太方便也没有必要提供高可用的预测接口，毕竟训练工程应该尽量提高模型的训练速度与准确率，而不是预测的速度。那么我们还需要提供专门的服务来使用模型进行预测，这就涉及到模型的导出与加载。

我们需要把模型导出，然后在生产环境使用模型建立高可用的预测接口，进而把模型的构建与使用分开。这样可以提供更灵活的使用策略，比如多模型的 A/B testing，模型版本管理与回退等。

同时模型导出之后也可以方便地分享与复用。

参考链接

谷歌提供的机器学习词汇解释 https://developers.google.com/machine-learning/glossary

在机器学习当中，什么是训练，什么是模型？https://blog.csdn.net/juxiangming/article/details/70175985

TensorFlow: 部署指南 https://www.tensorflow.org/deploy/