上一篇我们的基因体时代-AI, Data和生物资讯 Day04- 深度学习在基因体学的建模架构01中我们开始往下深入以一个生物问题为例，展开可以怎麽使用其中一种监督式学习的架构来回答，大部分都需要把问题转换成可以由资料回答的方式，并且把资料整理成表格状，一行一笔资料，一栏则是一个feature，且其中要有一个所谓的label，这边把上一篇中提到的工具和资料稍加介绍！

云端平台

Fabrik

首次google的时候记得使用关键字「fabrik deep learning」，不然会导引到其他网页去喔。
Fabrik是个模拟神经网络连结的编辑器，提供浏览器中的视觉化、编辑和共享神经网络。它可以输入由Caffe, Keras, TensorFlow建立好的架构，这样的好处是可以方便团队协作和讨论，同时可以将此框架输出成不同系统相容的架构。可以到这个github的网址去看他们实际的代码，虽然似乎2018年後就没有再更新了，可能可以稍微自己评估一下是否尝试使用。

FloydHub

相对於Fabrik在2018年停止更新许久，FloydHub算是有比较活跃的经营，他们在2016年成立，当初的愿景是成为像是Heroku之於软件工程师一样，针对资料科学家提供服务的公司，不过令人惊讶的是他们官网上面已经在2021/08/20停止服务了，时代的眼泪，云端深度学习的公司似乎没有想像中好做！

PaperSpace

这家目前还是持续营业之中，目前有两个服务，一个是Gradient，一个是CORE，分别想要解决不同的使用者需求，Gradient提供一个即开即用的Jupyter notebook式的服务，且串接多个框架及工具如TensorFlow, PyTorch, Scikit Lear, Keras, TensorRT, TensorBoard, ONNX, XGBoost, HuggingFace, Fast.ai, RAPIDS, R, Streamlit, Jupyter, TF serving等等，另一个产品CORE，看起来是比较to B的服务，提供更高性能的运算资源。

Valohai

这个平台Valohai的服务比较偏向DevOps所用的ML服务需求，且没有像是PaperSpace的服务整合的那麽精致，你有三个方法可以使用，第一个是可以local安装他们的客户端，来定义yaml後调用他们的服务，第二个是直接git他们的repository来运行，这个方式蛮有趣的，第三种则是运行他们建好的jupyter notebook来运行分析。

Google CloudML

Azure ML

• 软件
  • Keras
  • TensorFlow
  • PyTorch
• 专门用在基因体问题的深度学习软件
  • DragoNN
  • Kipoi
• 相关线上课程
  • fast.ai
  • Textbook: http://neuralnetworksanddeeplearning.com/

这个月的规划贴在这篇文章中我们的基因体时代-AI, Data和生物资讯 Overview，也会持续调整！我们的基因体时代是我经营的部落格，如有对於生物资讯、检验医学、资料视觉化、R语言有兴趣的话，可以来交流交流！

阅读参考：

• Deep learning: new computational modelling techniques for genomics. Nature Reviews Genetics(2019)
• A primer on deep learning in genomics. Nature Reviews Genetics(2019)
• Deep learning for computational biology. Mol. Syst. Biol. 12, 878 (2016).
• Deep learning in bioinformatics. Brief. Bioinform. 18, 851–869 (2017).
• Computational biology: deep learning. Emerg. Top. Life Sci. 1, 257–274 (2017).
• Deep learning in biomedicine. Nat. Biotechnol. 36, 829–838 (2018).
• Opportunities and obstacles for deep learning in biology and medicine. J. R. Soc. Interface 15, 20170387 (2018).