machine-learning - Watson Deep Learning : Experiment Builder, 命令行界面和 Python 客户端 - 成熟度和功能

Question

Watson Machine Learning 服务提供了三种训练深度学习模型的选项。 docs列出以下内容:

There are several ways to train models Use one of the following methods to train your model:

• Experiment Builder
• Command line interface (CLI)
• Python client

我相信这些方法将因其(1)成熟度和(2)它们支持的功能而有所不同。

这些方法有什么区别？为了确保这个问题符合质量要求，您能否提供一个客观的差异列表？将您的答案作为社区 wiki 答案提供还可以让答案在列表更改时随着时间的推移而更新。

如果您觉得这个问题不适合堆栈溢出，请提供评论，列出原因，我会尽力改进它。

Answer 1

使用这些技术的原因取决于用户的技能以及他们如何将培训/监控/部署步骤融入其工作流程:

命令行界面 (CLI)CLI 对于快速、随机访问有关训练运行的详细信息非常有用。如果您使用 shell 脚本构建数据科学工作流程，它也很有用。

Python 库WML 的 python 库允许用户将模型训练+部署集成到编程工作流程中。它既可以在笔记本电脑中使用，也可以通过 IDE 使用。该库已成为执行批量训练实验最广泛使用的方式。

实验生成器用户界面这是用于在 Watson Studio 中执行批量训练实验的“简单按钮”。这是学习 Watson Studio 中批量训练功能基础知识的快速方法。目前，预计数据科学家不会使用实验生成器作为开始批量训练实验的主要方式。也许随着模型构建器的成熟，这种情况可能会改变，但 Python 库可以更灵活地集成到生产工作流程中。