6、深度学习在结构化数据中的应用与发展

深度学习在结构化数据中的应用与发展

1. 开发环境对比：普通环境与支持深度学习的环境

在处理从输入数据集到部署深度学习模型以预测有轨电车是否会延误的过程中，不同阶段对开发环境有不同要求。以下是不同阶段适用的环境：
| 阶段 | 适用环境 | 说明 |
| ---- | ---- | ---- |
| 数据准备（代码在相关章节描述） | 普通环境或深度学习环境 | 此阶段操作无需深度学习特定硬件，如在 Paperspace Gradient 和无深度学习特定硬件的本地 Windows 机器上均可运行 |
| 模型训练（代码在相关章节描述） | 支持深度学习的环境更佳 | 若无深度学习特定硬件（如 Paperspace、Azure、Colab 中的 GPU，Google Cloud Services 和 Colab 中的 TPU），训练速度会变慢 |
| 部署（代码在相关章节描述） | 普通环境或深度学习环境 | 训练好的模型部署时无需深度学习特定硬件，如可在 Azure 标准非 GPU 虚拟机和本地 Windows 机器上部署 |

下面用 mermaid 流程图展示整个过程：

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
    A(数据准备):::process --> B(模型训练):::process
    B --> C(模型部署):::process
    A -.-> D(普通环境或深度学习环境):::process
    B -