详细内容或原文请订阅后点击阅览
AWS 与 Azure：深入探讨模型训练 - 第 2 部分
本文介绍了 Azure ML 的持久性、以工作区为中心的计算资源与 AWS SageMaker 的按需、特定于作业的方法有何不同。此外，我们还探索了环境自定义选项，从 Azure 的策划环境和自定义环境到 SageMaker 的三级自定义。AWS 与 Azure：深入研究模型训练 - 第 2 部分文章首先出现在 Towards Data Science 上。
来源:走向数据科学在本系列的第 1 部分中，Azure 和 AWS 如何采用根本不同的方法来进行机器学习项目管理和数据存储。
Azure ML 使用以工作区为中心的结构，并具有用户级基于角色的访问控制 (RBAC)，其中根据个人的职责向其授予权限。相比之下，AWS SageMaker 采用以作业为中心的架构，将用户权限与作业执行分离，通过 IAM 角色授予作业级别的访问权限。对于数据存储，Azure ML 依靠工作区中的数据存储和数据资产来管理幕后的连接和凭证，而 AWS SageMaker 直接与 S3 存储桶集成，需要为 SageMaker 执行角色授予显式权限才能访问数据。
在本文中了解更多信息：
确定了这些平台如何处理项目设置和数据访问后，在第 2 部分中，我们将检查为模型训练作业提供支持的计算资源和运行时环境。
计算
计算是运行模型和代码的虚拟机。它与网络和存储一样，是云计算的基本构建块之一。计算资源通常代表 ML 项目的最大成本组成部分，因为训练模型（尤其是大型 AI 模型）需要较长的训练时间，并且通常需要成本较高的专用计算实例（例如 GPU 实例）。因此，Azure ML 设计了专用的 AzureML 计算操作员角色（请参阅第 1 部分中的详细信息）来管理计算资源。
Azure 和 AWS 提供各种实例类型，这些实例类型在 CPU/GPU 数量、内存、磁盘空间和类型方面有所不同，每种实例类型都针对特定用途而设计。这两个平台都采用按需付费的定价模式，仅针对活动计算时间收费。
现在我们已经比较了 AWS 和 Azure 中的计算定价，接下来让我们探讨一下这两个平台在将计算资源集成到 ML 系统方面有何不同。
Azure ML
要创建 Azure ML 托管计算目标，我们使用以下代码创建 AmlCompute 对象：