SageMaker-Azure-GCP

NSDT工具推荐： Three.js AI纹理开发包 - YOLO合成数据生成器 - GLTF/GLB在线编辑 - 3D模型格式在线转换 - 可编程3D场景编辑器 - REVIT导出3D模型插件 - 3D模型语义搜索引擎 - Three.js虚拟轴心开发包 - 3D模型在线减面 - STL模型在线切割

亚马逊、微软和谷歌以其云服务而闻名。 本文提供了比较：Azure ML 与 Azure ML。 AWS SageMaker 和Google Cloud ML。

1、AWS SageMaker

Amazon Web Services 提供各种 Web 服务，其中之一是 AWS Sagemaker。 AWS Sagemaker 允许构建、训练和部署机器学习算法。 以下是一些功能：

灵活的机器学习软件：AWS Sagemaker 配备了大量不同的编程语言和不同的软件框架来构建、训练和部署机器学习模型。 构建 ML 模型的 3 种不同方法是：

• 内置算法
• 自定义算法
• 个人构建算法

数据处理和探索：为了探索数据和数据处理，可以使用 Jupyter Notebook。 它有助于创建、训练、测试和部署机器学习模型。

2、谷歌云平台（GCP）

与 Amazon 的 SageMaker 相比，GCP ML Engine 在支持的软件框架方面提供的设计、训练和部署机器学习模型的灵活性较低。 GCP 中的两个主要机器学习框架是 TensorFlow 和 Scikit learn。

与 Amazon SageMaker 不同，Jupyter Notebooks 在 Google 的 ML Engine 中不可用。 要访问 Google Cloud Platform 上的 Jupyter Notebook，必须使用 Datalab。 GCP 将数据探索、处理和转换划分为不同的部门作为不同的服务。 Datalab 服务支持数据探索和处理； DataPrep 服务能够探索原始数据并将其转换为干净的数据以进行处理和分析； DataFlow服务可以构建批处理和流数据处理管道。

3、微软 Azure 机器学习

Azure AI与亚马逊的SageMaker和谷歌的ML Engine一样，是微软对亚马逊和谷歌的回应。 此外，Azure AI 提供了各种开放且全面的平台，用于开发、评估和部署机器学习模型，以及支持多种 AI 框架的许多其他功能，例如 PyTorch、TensorFlow、Sci-kit Learn、Chainer、Caffe2、MxNet 等。 此外，Azure 机器学习工作室和 Azure AI 提供比竞争对手更多的功能和特性。

Azure ML 的一些功能包括：

• Azure 机器学习设计器是 ML studio 的可视化拖放式 UI，提供对平台功能的访问和控制。 在这里，您可以更改我们的数据、使用机器学习算法并在服务器上部署解决方案。
• Automated ML 是一款软件开发套件，可实现无代码到低代码模型训练。 从本质上讲，自动化 ML 通过为常见操作提供高水平的自动化以及数据探索、模型开发和部署方面的帮助来增强 ML studio。 对于使用自动化机器学习工具进行训练，Azure 定义了分类、回归和时间序列预测任务。
• ML Studio 完全集成了 Azure ML Python 和 R 语言 SDK。
• 支持 PyTorch、TensorFlow 和 scikit-learn 等机器学习框架 此外，Azure 通过 ONNX 运行时提供框架之间的兼容性。
• 包含模块化管道，允许您的团队为您的机器学习项目构建定制数据管道。
  数据标注项目协助，包括数据和团队管理、标注进度、不完整标注追踪、导出标注数据工具。
• 用于模型部署的可定制计算目标与各种云服务兼容，包括 Azure Kubernetes 服务、容器实例和计算集群。
• MLOps 技术可用于管理、部署和监控自动化工作流程中的模型。

4、SageMaker vs. GCP vs. Azure

语音和文本处理 API：

图像分析API：

视频分析API：

原文链接：Azure ML Vs. AWS SageMaker Vs. Google Cloud ML

BimAnt翻译整理，转载请标明出处