在云中训练ML模型很有意义。为什么?
有许多原因，首先它支持你在大规模数据计算的同时还可以训练模型。另外，在GoogleCloud平台上，你可以使用Cloud Machine Learning Engine在TensorFlow和其他PythonML库(如Scikit-Learning)中训练机器学习模型，而无需操心任何基础设置。当然，前提是你将代码放入了Python包。
task.py文件
作为一名资深人士，作者表示许多新手面临的第一个困难就是创建task.py文件。虽然你可以不使用task.py文件(参见下面)，但作者认为使用它还是有必要的。因为它允许你将超参数从模型逻辑中分离出来(位于model.py)。task.py文件的用途有两个：
1，读取和解析模型参数，如训练数据和输出模型的位置、隐藏层、大小等。
2，调用model.py
编写task.py 有许多种方法- -你甚至可以给它取新名字。事实上task.py和model.py也仅仅是 一种约定俗成的叫法。只要你愿意，我们也可以叫它们为task.py aReallyCoolArgument_parser.py 和model.py very_deeeep_model.py。
我们甚至可以将它俩组合成一个文件，用于参数解析和模型训练。除了将代码放到Python包外，ML对其他并没有什么要求。(也就是说，它必须包含setup.py和__init__.py，对其他则没有什么要求)。但是，要把task.py和model.py在一个文件夹中训练，你需要查看Cloud ML样本和Cloud ML训练反馈记录，了解使用Cloud ML引擎的完整示例和关于task.py、model.py的实例。
通过docopt编写“干净的” task.py文件
虽然很多人喜欢使用Argparse编写task.py（Argparse，一个用于解析命令行参数的标准Python库），但作者更喜欢用docopt。因为作者认为这是编写task.py最简洁的方式。他表示如果使用docopt，你编写的唯一东西就是程序的用法信息（即帮助信息），其他的docopt会帮你处理好。它会根据你在模块的文档字符串中编写的用法消息，和你在文档字符串中指定的格式为你生成参数解析器。这里是具体实例。
现在作者要对它们进行拆分。第一块代码表示你的task.py的用途。如果你调用task.py时没有添加参数或错误调用，它会对用户（你）进行反馈。
最后是将这些参数变量分配到model.py，然后进行训练和评估。
需要补充的是，task.py是Python包中的一部分。在实践中，你需要花费大量时间编写model.py，创建task.py，其余都有样本可寻。
因为我们是使用docopt编写task.py，所以我们必须将它添加到setup.py（如下图）。
最后，一旦我们有了上述结构中的文件，我们就可以向ML引擎进行提交。但这之前，我们首先得使用python -m在本地测试我们的包，然后使用ML引擎进行局部预测。（这两个步骤是可以跳过的。但作者并不建议跳过。）
一旦测试完毕，我们需要把我们的工作产品提交给ML引擎。
下图与我们讨论的东西有关
第一行表示我们包的位置，我们通常称其为trainer（一种惯例）。第二行表示我们在trainer中调用任务模块（task.py）。
结语
通过建立一个task.py我们可以将超参数处理为命令行参数，这方便了我们将模型与超参数分离。一个关键的优势是，这使我们可以使用不同的参数来确定最佳的超参数集。最后，docopt会基于用户写入的字符串完善我们的task.py文件。
希望这些能对你有所帮助。
閱讀更多 AI中國 的文章
