从广义上讲，训练模型有以下两种方法：
- 静态模型采用离线训练方式。也就是说，我们只训练模型一次，然后使用训练后的模型一段时间。
- 动态模型采用在线训练方式。也就是说，数据会不断进入系统，而我们会通过持续的更新将这些数据整合到模型中。
静态训练与动态训练
机器学习系统范例：训练
静态模型 - 离线训练
动态模型 - 在线训练
机器学习系统范例：训练
静态模型 - 离线训练
- 易于构建和测试 - 使用批量训练和测试，对其进行迭代，直到达到良好效果。
动态模型 - 在线训练
机器学习系统范例：训练
静态模型 - 离线训练
- 易于构建和测试 - 使用批量训练和测试，对其进行迭代，直到达到良好效果。
- 仍需要监控输入
动态模型 - 在线训练
机器学习系统范例：训练
静态模型 - 离线训练
- 易于构建和测试 - 使用批量训练和测试，对其进行迭代，直到达到良好效果。
- 仍需要监控输入
- 很容易让模型变得过时
动态模型 - 在线训练
机器学习系统范例：训练
静态模型 - 离线训练
- 易于构建和测试 - 使用批量训练和测试，对其进行迭代，直到达到良好效果。
- 仍需要监控输入
- 很容易让模型变得过时
动态模型 - 在线训练
- 随着时间的推移，持续为训练数据馈送数据，定期同步更新版本。
- 使用渐进式验证，而不是批量训练和测试。
机器学习系统范例：训练
静态模型 - 离线训练
- 易于构建和测试 - 使用批量训练和测试，对其进行迭代，直到达到良好效果。
- 仍需要监控输入
- 很容易让模型变得过时
动态模型 - 在线训练
- 随着时间的推移，持续为训练数据馈送数据，定期同步更新版本。
- 使用渐进式验证，而不是批量训练和测试
- 需要监控、模型回滚和数据隔离功能
- 将适应变化，避免了过时问题
视频讲座总结
从广义上讲，静态训练与动态训练决策的区别在于以下几点：
- 静态模型更易于构建和测试。
- 动态模型适应不断变化的数据。
世界瞬息万变。根据去年的数据生成的销售预测不太可能成功预测下一年的结果。
如果您的数据集确实不会随时间发生变化，请选择静态训练，因为其创建和维护成本低于动态训练。但是，许多信息来源确实会随时间而变化，即使那些您认为是恒定不变的特征（例如海平面）也是如此。结论：即使进行静态训练，您也必须监控输入数据是否发生变化。
例如，假设某个模型经过训练，用于预测用户买花的概率。由于时间压力，模型仅使用 7 月和 8 月的购花行为数据集进行了一次训练。然后发布模型以在生产环境中提供预测，但从未更新过。模型可在几个月内正常运行，但由于用户行为在情人节前后发生了巨大变化，因此进行预测了。
