本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 2. 實驗
<a name="experimentation"></a>

實驗涵蓋實驗記錄、追蹤和指標。這可轉譯跨平台、來源控制和開發環境中的實驗中繼資料整合。實驗也包括能夠透過除錯來最佳化模型效能和準確性。


|  |  | 
| --- |--- |
| **2.1 整合式開發環境** | 整合的開發環境 (IDE) 直接與雲端整合。IDE 可以與較大的系統互動並提交命令。理想情況下，它支援下列項目：  本機開發   版本控制整合   就地除錯，所有產生的日誌和成品都會進入版本控制   | 
| **2.2 程式碼版本控制** | 為了協助確保可重現性和可重複使用性，所有程式碼都會透過適當的版本控制遞交至來源儲存庫。這包括基礎設施程式碼、應用程式程式碼、模型程式碼，甚至是筆記本 （如果您選擇使用它們）。 | 
| **2.3 追蹤** | ML 專案需要可追蹤和分析機器學習實驗的工具。此工具應在機器學習實驗執行期間記錄所有指標、參數和成品，將所有中繼資料記錄到中央位置。中央位置將可讓您分析、視覺化和稽核您執行的所有實驗。 | 
| **2.4 跨平台整合** | 您可以在系統的其他部分存取實驗的歷史結果及其所有中繼資料。例如，就地協同運作管道可以存取此資料，監控工具也是如此。 | 
| **2.5 偵錯：準確性和系統效能** | 已備妥完整的模型偵錯架構，以檢查下列各項的執行：  尋找瓶頸   異常的提醒   最大化資源使用率   協助分析實驗  當訓練密集時，將輸送量最大化的能力至關重要，並使其成為成本最佳化的必要工具。 |