好吧，所以我对机器/深度学习世界还很陌生，并且不屑于实现算法，但是我几乎没有什么空白，并且想了解行业如何做到这一点。
我是一位经验丰富的开发人员，具有五年半的复杂用例应用程序（Web和移动）开发经验。我有从头开始如何将应用程序从开发阶段带入生产阶段的详细知识。
在阅读教程和在线提供的所有文档时，解释了如何在本地开发模型（基本上看起来像python脚本）。该脚本以结构化或非结构化方式获取一些数据，对数据进行预处理，并根据接收到的数据训练模型。所有这一切都很好，因为有很多文档，在线教程可用于此目的，但没有人解释如何将其投入生产以及如何在生产中进行维护。
我还没有确定如何将模型推向生产环境，以及何时将模型部署到生产环境中，我们应该从哪些数据中在服务器上训练模型。它应该是我们在计算机上本地使用的相同数据还是其他一些数据？另外，当我们对模型进行任何更改并在生产中重新部署它时，我们是否必须再次训练模型（因为模型似乎是无状态的，必须将所有训练结果存储在内存中）。如果属实，那么重新部署模型将在服务器上训练模型的过程中使应用程序停机。
我敢肯定，行业必须以某种或其他方式来处理所有这些问题。我想了解整个过程，如果我可以为它提供参考，那真的很棒。
我正在使用Tensorlfow，Scikitlearn和其他流行的库进行开发。
答案 0 :(得分：1)
这只是我的观点，可能不符合标准。
模型只是一个模型，您可以将其保存到文件中，它只是一个文件，可以对其进行复制，对此没有任何专一性。
一种部署方式是通过某种形式的API公开.predict()方法。您可以使用自己喜欢的Web框架来完成此操作，但是由于您使用的是tensorflow，所以使用flask / django可能会更容易。
另一件事是，如果您实际上并没有弄乱图层的内部结构，那就只使用keras，对于外行而言，它比tensorflow使用起来更直接，而且位于tensorflow的顶部，因此您正在使用相同的技术。
那么如何进行再培训呢？好的ML仅在训练时才进行计算密集型操作，因此您需要分别进行操作，选择训练后的模型并将其重新插入API。理想情况下，可以在不实际中断生产的情况下完成此操作，这只是一天结束时可以覆盖的文件。当然有一些细微之处，但应该几乎是无缝的。
关于事后的继续培训，我将从这个answer开始。