架构中心的这篇文档提供了指向架构指南的链接，您可以使用这些指南在 Google Cloud中构建和部署机器学习应用和运营。
为了帮助您找到适合自己角色和需求的指南，我们提供了以下类型的架构指南：
- 设计指南：规范性的跨产品指南，可帮助您规划和设计云架构。
- 参考架构：针对特定工作负载的详细架构示例和设计建议。
- 应用场景：用于解决特定业务问题的高级架构示例。
- 部署指南和快速起步解决方案：用于部署特定架构的分步说明或代码。
| 架构指南 | 说明 |
|---|---|
| 在 Google Cloud上实现机器学习的最佳实践 | 设计指南，可帮助您规划和开发自定义训练的模型，并在整个机器学习工作流中遵循最佳实践。 |
| 有关开发高质量的预测式机器学习解决方案的指南 | 本指南可帮助您评估、确保和控制构建预测式机器学习解决方案时的质量。 |
| 使用 TensorFlow Extended、Vertex AI Pipelines 和 Cloud Build 的 MLOps 的架构 | 一种参考架构，可帮助您使用 TensorFlow Extended (TFX) 库构建机器学习 (ML) 系统。 |
| MLOps：机器学习中的持续交付和自动化流水线 | 本指南讨论了实现和自动执行机器学习系统的持续集成 (CI)、持续交付 (CD) 和持续训练 (CT) 的方法。 |
| 使用 Dataflow 和 Cloud Vision API 构建机器学习视觉分析解决方案 | 一种参考架构，可帮助您部署 Dataflow 流水线，以使用 Cloud Vision 处理图片文件并将处理结果存储在 BigQuery 中。 |
| 适用于数据分析、AI 和联邦学习的保密计算 | 一种参考架构，可帮助您使用机密计算来实现安全的数据协作、AI 模型训练和联邦学习。 |
| Google Cloud上的跨孤岛和跨设备联邦学习 | 一种参考架构，可帮助您使用 Google Kubernetes Engine (GKE) 创建 联邦学习平台。 |
| 通过双塔检索实现大规模候选集生成 | 一个参考架构，可帮助您使用 Vertex AI 实现端到端双塔 候选集生成工作流。 |
| 利用 Google Cloud 和 Labelbox 开发模型并为数据添加标签 | 一种参考架构，可帮助您使用 Labelbox 构建标准化流水线。 |
| Google Cloud上的 C3 AI 架构 | 本文档介绍了部署 C3 AI 应用的最有效方法。 |
| 使用 Vertex AI Pipelines 在 Google Cloud上进行倾向建模 | 本指南旨在帮助您部署已实现的用于执行倾向建模的流水线。 |