内容
问：
容器化如何成为机器学习项目环境的理想选择？
A：
基于容器设置在平台和软件环境方面提供的一些好处，一些公司正朝着机器学习项目的容器化迈进。
机器学习非常复杂–算法本身对数据执行许多非常详细和复杂的操作。但是，在某些方面，价值主张非常简单–机器学习算法可处理来自存储环境的数据。
容器的使用涉及工程师如何将数据放入机器学习环境以及算法如何工作。
工程师可以使用容器虚拟化来存储数据或部署运行算法的代码。尽管容器可以为数据提供帮助，但是它们的主要好处可能在于使用它们来存储算法代码。
容器体系结构具有独立的应用程序和代码库。每个容器都有自己的操作系统克隆，并为驻留在其中的应用程序或代码功能集提供完整的操作环境。
结果，可以以非常通用的方式部署每个容器中的各个应用程序，微服务或代码库。它们可以部署在不同的平台和不同的环境中。
现在，假设您正在尝试增加一个机器学习项目，其中各种算法必须以迭代方式处理各种数据。如果您厌倦了处理跨平台的挑战或依赖性问题，或者难以进行裸机部署的情况，则可以使用容器作为解决方案。
本质上，容器提供了一种托管代码的方法。专家们在讨论如何根据存储的数据部署容器以获得良好的结果。
David Linthicum在TechBeacon文章中写道：“（这些应用程序）可以在任何数量的平台上混合和匹配，几乎不需要移植或测试，因为该容器存在于容器中，因此阐述了容器对机器学习项目的价值。 ，它们可以在高度分布式的环境中运行，并且您可以将这些容器放置在应用程序正在分析的数据附近。”
Linthicum继续谈论将机器学习服务公开为微服务。这使外部应用程序（无论是否基于容器）都可以随时利用这些服务，而不必在应用程序内部移动代码。
从最基本的意义上讲，容器部署就是使机器学习程序的功能更具适应性–消除了孤岛和不必要的连接–再者，依赖关系–可能削弱项目。对于精简，刻薄的机器学习项目，如果将算法，应用程序或功能的各个部分放在容器中，则可以轻松地微管理这些独立的部分并相应地创建复杂的机器学习产品项目。