python模型如何部署上线_模型部署

最近发现了两个比较好的工具和方法，未来会进行详细的探索和分析；

H2O.AI ,H2O.ai,提供了MOJO和POJO的方式；

preditionIO，Welcome to Apache PredictionIO!，可以基于spark和hbase来提供相应的API服务，还是很方便的。

第三方平台，比如PAI和先知，有钱买就行，可以提供batch和实时在线的模型训练和部署，提供一整套的工具和方案，这个是未来的趋势。

2016年以前使用的方法，在很多落后的小作坊式的公司可以尝试一下；

引言：

我们经常会碰到一个问题：用了复杂的GBDT或者xgboost大大提升了模型效果，可是在上线的时候又犯难了，工程师说这个模型太复杂了，我没法上线，满足不了工程的要求，你帮我转换成LR吧，直接套用一个公式就好了，速度飞速，肯定满足工程要求。这个时候你又屁颠屁颠用回了LR，重新训练了一下模型，心里默骂千百遍：工程能力真弱。

这些疑问，我们以前碰到过，通过不断的摸索，试验出了不同的复杂机器学习的上线方法，来满足不同场景的需求。我把我们的实践经验整理分享一下，希望对大家有所帮助。(我们的实践经验更多的是倾向于业务模型的上线流程，广告和推荐级别的部署请自行绕道)。

首先在训练模型的工具上，我们一般三个模型训练工具，Spark、R、Python。这三种工具各有千秋，以后有时间，我写一下三种工具的使用心得。针对不同的模型使用场景，为了满足不同的线上应用的要求，会用不