Amazon的这套面向云服务的通用型方案遵循既定模式。其提供核心用户最为关注的运行基础，帮助他们立足于此寻求自身最需要的机器学习方案并加以交付。

　　Amazon Machine Learning同时也是云巨头首次尝试推出机器学习即服务方案。它能够接入被保存在Amazon S3、Redshift或者RDS当中的数据，并能够运行二进制分类、多类分类或者数据递归以创建模型。然而，该服务高度依赖于Amazon本身。除了要求数据必须被存储于Amazon之内之外，其结果模型也无法进行导入与导出，另外训练模型的数据库集亦不可超过100 GB。当然，这只是Amazon Machine Learning的起步成效，其也足以证明机器学习完全具备可行性——而非技术巨头的奢侈玩物。

　　◆ ◆ ◆

　　微软分布式机器学习工具包

　　我们用于解决机器学习难题的设备数量越多，实际效果就越好——但将大量设备汇聚起来并开发出能够顺利跨越各设备运行的机器学习应用绝非易事。微软的DMTK(即分布式机器学习工具包)框架则能够轻松跨越一整套系统集群解决多种机器学习任务类型的分发难题。

　　DMTK的计费机制归属于框架而非完整的开箱即用解决方案，因此其中实际涉及的算法数量相对较小。不过DMTK在设计上允许用户进行后续扩展，同时发挥现有集群之内的有限资源。举例来说，集群中的每个节点都拥有一套本地缓存，其能够由中央服务器节点为当前任务提供参数，从而降低实际流量规模。

　　◆ ◆ ◆

　　谷歌TensorFlow

　　与微软的DMTK类似，谷歌TensorFlow是一套专门面向多节点规模设计而成的机器学习框架。与谷歌的Kubernetes类似，TensorFlow最初也是为谷歌内部需求所量身打造，但谷歌公司最终决定将其以开源产品进行发布。

　　TensorFlow能够实现所谓数据流图谱，其中批量数据(即‘tensor’，意为张量)可通过一系列由图谱描述的算法进行处理。系统之内往来移动的数据被称为“流”，可由CPU或者GPU负责处理。谷歌公司的长期规划在于通过第三方贡献者推动TensorFlow项目的后续发展。

　　◆ ◆ ◆

　　微软计算网络工具包

　　趁着DMTK的推出良机，微软公司还发布了另一套机器学习工具包，即计算网络工具包——或者简称CNTK。

　　CNTK与谷歌TensorFlow非常类似，因为它允许用户通过有向图的方式建立神经网络。另外，微软还将其视为可与Caffe、Theano以及Torch等项目相媲美的技术成果。它的主要亮点在于出色的速度表现，特别是以并行方式利用多CPU与多GPU的能力。微软公司宣称，其利用CNTK与Azure之上的GPU集群共同将Cortana语音识别服务训练的速度提升到了新的数量级。

　　最初作为微软语音识别项目组成部分开发而成的CNTK，最终于2015年4月以开源项目形式走向公众视野——但其随后以更为宽松的MIT类别许可在GitHub进行了重新发布。

　　◆ ◆ ◆

　　Veles (三星)