有两个步骤是必要的，您需要一个经过训练的模型，并且您需要定期将此模型应用于新数据。

第 1 步：训练模型后，您需要以某种方式对其进行序列化。这可以通过您的深度学习框架中的工具，或者通过将参数保存在某处并将代码保存在其他地方，或者通过腌制整个对象来实现。存储此模型工件后，我们可以在步骤 2 中重用此拟合模型。

第 2 步：安排一些加载此模型工件的作业，从 BigQuery 加载数据（以块或最后一个时间段的行的完整范围），通过您的模型运行这些数据并保存结果。时间表只启动了一些脚本，如何正确运行这些预测取决于规模。如果这是一项非常大的工作，您可能不得不通过 Spark 之类的方式分发它。如果它是可管理的，您可以在一台机器上执行此操作，也许通过分块数据。

除了使用 cronjob 之外，因为在不使用时无需支付时间和资源

听起来您想使用云计算。

我建议查看AWS 在其 CloudWatch 工具中提供的事件。您可以设置一个作业，然后安排它在您喜欢的任何时间运行 - 他们甚至有一个 cron-job 界面来指定类似的内容：每个小时。

查看有关事件的相关 AWS 文档

您可能可以基于单个 AWS 实例进行设置，检查您是否满足用例的三个要求：

1. 它有足够的网络带宽在合理的时间内接收您的 BigQuery 结果
2. 它具有执行模型所需的硬件（例如，是否需要 GPU？）
3. 它可以保存或链接到您自己的mySQL数据库

甚至可能有很好的 AMI（亚马逊系统映像 - 带有预装软件）可以用于您的用例！

最好的方法是让单独的容器加载数据，然后在Kubernetes中自行部署管道。他们实际上有一个名为 [Kubeflow] 的工具，仅用于机器学习部署。