Microsoft 提供多种多样的产品选项用于生成、部署和管理机器学习模型。 本文将比较这些产品，并帮助你选择所需的产品，以便最有效地开发机器学习解决方案。
| 机器学习产品 | 描述 | 作用 |
|---|---|---|
| Azure云端服务 | ||
| Azure 机器学习服务 | 适用于机器学习的托管云服务 | 使用 Python 和 CLI 在 Azure 中训练、部署和管理模型 |
| Azure 机器学习工作室 | 机器学习的拖放式可视界面 | 使用预配置的算法生成、试验和部署模型 |
| Azure Databricks | 基于 Spark 的分析平台 | 生成和部署模型与数据工作流 |
| Azure 认知服务 | 包含预生成 AI 和机器学习模型的 Azure 服务 | 轻松将智能功能轻松添加到应用中 |
| Azure Data Science Virtual Machine | 预装了数据科学工具的虚拟机 | 在预配置的环境中开发机器学习解决方案 |
| 本地服务 | ||
| SQL Server 机器学习服务 | SQL 中嵌入的分析引擎 | 在 SQL Server 内部生成和部署模型 |
| Microsoft Machine Learning Server | 用于预测分析的独立企业服务器 | 使用 R 和 Python 生成与部署模型 |
| 开发人员工具 | ||
| ML.NET | 开源跨平台机器学习 SDK | 开发适用于 .NET 应用程序的机器学习解决方案 |
| Windows ML | Windows 10 机器学习平台 | 在 Windows 10 设备上评估已训练的模型 |
Azure 机器学习服务
Azure 机器学习服务（预览版）是用于大规模训练、部署和管理机器学习模型的完全托管式云服务。 它完全支持开源技术，可让你使用数以万计的开源 Python 包，例如 TensorFlow、PyTorch 和 scikit-learn。 它还提供丰富的工具，例如 Azure Notebook、Jupyter Notebook 或 Visual Studio Code Tools for AI，以方便探索和转换数据，然后训练和部署模型。 Azure 机器学习服务包含可以轻松、高效和准确地自动化模型生成和优化的功能。
在 Azure 机器学习服务中可以使用 Python 和 CLI 以云的规模训练、部署和管理机器学习模型。
Azure 机器学习工作室
Azure 机器学习工作室提供交互式的可视工作区，用于通过预生成的机器学习算法快速轻松地生成、测试和部署模型。 机器学习工作室将模型发布为可让自定义应用或 BI 工具（如 Excel）方便使用的 Web 服务。 无需任何编程 - 在交互式画布上连接数据集和分析模块，然后按几个鼠标将其部署，即可构造机器学习模型。
希望在不编写任何代码的情况下开发和部署模型时，可以使用机器学习工作室。
Azure Databricks
Azure Databricks 是基于 Apache Spark 的分析平台，已针对 Microsoft Azure 云服务平台进行优化。 Databricks 与 Azure 集成，以提供一键式安装程序、简化的工作流程以及交互式工作区，从而使数据科学家、数据工程师和业务分析员之间可以进行协作。 在基于 Web 的 Notebook 中使用 Python、R、Scala 和 SQL 代码可以查询、可视化数据以及为其建模。
想要在 Apache Spark 中协作生成机器学习解决方案时，可以使用 Databricks。
Azure 认知服务
Azure 认知服务是一组 API，可用于生成使用自然通信方法的应用。 借助这些 API，只需编写几行代码，就能让应用看到、听到、讲出、理解和解释用户的需求。 将智能功能轻松添加到应用，例如：
- 情感和观点检测
- 视觉和语音识别
- 语言理解 (LUIS)
- 知识和搜索
使用认知服务可以开发跨设备和平台的应用。 API 不断改进，且易于设置。
Azure 数据科学虚拟机
Azure Data Science Virtual Machine 是专为开展数据科学生成的 Microsoft Azure 云上的自定义虚拟机环境。 它预装并预配了许多热门数据科学和其他工具，可为高级分析快速生成智能应用程序。 Data Science Virtual Machine 提供适用于 Windows 和 Linux Ubuntu 的版本（Linux CentOS 不支持 Azure 机器学习服务）。 有关特定版本的信息以及版本功能的列表，请参阅 Azure Data Science Virtual Machine 简介。 支持将 Data Science Virtual Machine 用作 Azure 机器学习服务的目标。
需要在单个节点上运行或托管作业时，可以使用数据科学 VM。 或者，需要在单个计算机上远程提高处理能力时，也可以使用它。
SQL Server 机器学习服务
SQL Server Microsoft 机器学习服务为 SQL Server 数据库中的关系数据添加了采用 R 和 Python 语言的统计分析、数据可视化和预测分析。 Microsoft 提供的 R 和 Python 库包括高级建模与机器学习算法，可在 SQL Server 中大规模并行运行。
需要对 SQL Server 中的关系数据使用内置 AI 和预测分析时，可以使用 SQL Server 机器学习服务。
Microsoft 机器学习服务器
Microsoft 机器学习服务器是一个企业服务器，用于托管和管理 R 与 Python 进程的并行与分布式工作负荷。 Microsoft Machine Learning Server 在 Linux、Windows、Hadoop 和 Apache Spark 上运行，也适用于 HDInsight。 它为使用 RevoScaleR、revoscalepy和 MicrosoftML 包生成的解决方案提供执行引擎，并扩展了开源 R 和 Python，支持高性能分析、统计分析、机器学习和巨型数据集。此功能通过可以连同服务器一起安装的专属包提供。 对于开发，可以使用针对 Visual Studio 的 R 工具和针对 Visual Studio 的 Python 工具等 IDE。
需要在服务器上使用 R 和 Python 生成与操作化模型时，或者需要在 Hadoop 或 Spark 群集上大规模分配 R 和 Python 训练工作负荷时，可以使用 Microsoft Machine Learning Server。
ML.NET
ML.NET 是免费的开源跨平台机器学习框架，可用于生成自定义机器学习解决方案并将其集成到 .NET 应用程序中。
想要将机器学习解决方案集成到 .NET 应用程序时，可以使用 ML.NET。
Windows ML
Windows ML 可让你使用应用程序中已训练的机器学习模型，在 Windows 10 设备本地评估训练的模型。
想要在 Windows 应用程序中使用训练的机器学习模型时，可以使用 Windows ML。
后续步骤
- 若要了解 Microsoft 提供的所有人工智能 (AI) 开发产品，请参阅 Microsoft AI 平台
- 有关如何开发 AI 解决方案的培训内容，请参阅 Microsoft AI 学校