我对 TensorFlow 和机器学习比较陌生。我有一个数据集运行成百万行，每行 > 2000 列。我正在考虑在 AWS AMI（C5 实例）上使用 Tensorflow。我不确定在哪里/如何存储这些庞大的数据。
1-我应该将其作为 csv 存储在 S3 存储桶中，还是应该将其加载到一些大数据系统中，然后使用 Apache spark 将其流式传输出来？你能在这里指导我吗？
2-另外，如果我必须清理这些数据，正确的方法是什么？也许使用 AWS Sagemaker 并使用 python/pandas（通过笔记本）来清理数据？这是正确的方法吗？
我可以提供一些建议，但每个项目都是不同的，并使用最适合你的。
它是一次性的数据探索，还是您需要经常处理的事情？为了经常这样做，火花可能是正确的工具。Spark 在将数据转换/特征化/清理/预处理为更可用于 tensorflow（通常为稀疏格式）的数据方面非常棒。这里重要的是让你的 gpus 保持忙碌，为了实现这一点，你需要在使用 tf. 如果您没有小文件，S3 是一个很好的存储。
为了让 tensorflow 满意，大多数时候您需要对特征向量进行密集化。这样，您可以获取一小批记录并将稀疏特征向量转换为密集向量。只有这样你才能将它发送到 tf. 这是因为 gpus 在处理稀疏数据方面非常糟糕，并且像卷积这样的一些操作甚至不支持稀疏输入。（所有这一切都可以随时改变，因为它是一个活跃的研究领域）