會做料理了，可以到不一樣的餐廳當廚師嗎？

前幾節說到了TensorFlow高階API使用tf.estimator，如何分散處理可以根據不同資料有各自的拆分法。
流程也根據I/O模組化，那可以開始四處留下應用了嗎？

當然可以。
有了基本功，接下來就要到不同平台上進行測試了，而Google的GCP就是一個很好且提供支援的平台。
這點Google也希望客戶在使用了TensorFlow，能將服務留在Google的領域範疇。
其中一個留住服務的吸力，就是方便好用且整合完善的大總匯，統稱引擎；由此，Cloud Machine Learning Engine(CMLE)就誕生了。

CMLE是什麼？Google的大殺器嗎？

從上面的循環，我們可以發現分成6步驟：

1. 收集/上傳資料
2. 預處理
3. 特徵擷取
4. 訓練模型
5. 部署模型
6. 預測結果並重複1.產生(新的)資料

而CMLE就是幫助人們簡化每個東西自己寫的時間耗費，部署到CMLE上來讓整個過程在人為介入更少的情形完成機器學習的任務。

淺談與實作

1. (不可省略)使用抽樣的資料進行分析，包括圖表的判讀、統計資料的製作等
2. 建立任務(task.py)
3. 模型參數設定(model.py)
4. 打包封裝
5. 利用gcloud放到CMLE上

實作上注意，對應資料應該放在gcloud可以存取的位置，其中最方便的位置為gs://*；而這個位置意味著必須把資料先放到GCP的bucket裡面。當然，這次作業的項目請務必注意不要讓系統自動產生，通常會變成Multi-regional；請自行選擇Regional，然後找個自己所在的區域。