开源与本地工具 · 工具介绍
ML Workspace
部署集成 Jupyter、VS Code、模型库和训练监测工具的网页机器学习开发环境。
ML Workspace 能做什么
部署集成 Jupyter、VS Code、模型库和训练监测工具的网页机器学习开发环境。
- 模型训练与部署
如何使用 ML Workspace
搭建浏览器机器学习工作台
准备输入
- 部署环境
- 项目代码
- 训练数据
操作步骤
- 启动工作台并通过浏览器进入适合任务的 Notebook 或代码编辑环境。
- 加入数据与训练代码，在工作台内执行分析或模型实验。
- 结合运行输出和监控工具检查结果，保存需要保留的代码与产物。
预期交付物
- 网页开发环境
- 训练与分析产物
核对环境依赖、访问权限与实际运行结果。
开始前需要了解
账号权限、费用与可用功能请以官方入口的当前说明为准。重要结果应先检查，再用于实际工作。
从开源与本地工具角度评估ML Workspace
把开源与本地工具需要的条件列清楚，再比较工具。阅读本页的产品用途、步骤与限制，再逐项确认下面的问题；这些是选型方法，不表示每款工具都具备同样能力。
本地运行到哪一步
区分本地界面、本地处理和外部API；不能只看名称判断数据去向。
环境是否匹配
检查系统、内存、磁盘和依赖，按官方要求判断能否运行。
后续是否可维护
确认许可证、配置保存、数据导出与版本更新方法。
选择一个小样任务，先检查结果与交付格式，再决定是否用于更多资料。
