随着最近机器学习的风起云涌，公司开始尝试自己的ML模型也就不足为奇了，而且很多公司都选择了TensorFlow。因为TensorFlow是开源的，所以您可以在本地运行它来快速创建原型，返利机器人怎么做，并部署快速失败的实验，网站建站平台，帮助您在小范围内进行概念验证。然后，物联网工程是什么，当你准备好了，你可以把TensorFlow，你的数据，和同样的代码，推到Google云上，利用多个CPU，GPU甚至很快一些TPU。
当你准备好把你的ML工作提升到一个新的层次时，你将不得不对如何设置你的基础设施做一些选择。一般来说，这些选择中的许多都会影响您在操作工程（operational engineering）工作和ML工程（engineering）工作上花费的时间。为了提供帮助，欧洲云服务器，我们发布了两个解决方案教程，向您展示如何在Google计算引擎上创建和运行分布式TensorFlow集群，以及如何在Google云机器学习引擎上运行相同的代码来训练相同的模型。这些解决方案使用MNIST作为模型，这不一定是最令人兴奋的例子，但确实允许我们强调解决方案的工程方面。
我们已经讨论了TensorFlow的开源特性，允许您在笔记本电脑、私人数据中心的服务器甚至Raspberry PI上运行它。TensorFlow还可以在分布式集群中运行，大数据服务，允许您在多台计算机上分配培训工作负载，这可以节省您等待结果的大量时间。第一个解决方案向您展示了如何通过创建可重用的自定义映像并使用Cloud Shell执行启动脚本来设置一组运行TensorFlow的计算引擎实例，如图1所示。在创建环境并使其正常运行的过程中，有相当多的步骤。尽管它们不是复杂的步骤，但它们是操作工程步骤，并且将从实际的ML开发中花费时间。
