谁能比较一下Flink和Spark作为机器学习平台的优劣？哪一个在迭代算法上表现更好？关于Flink与Spark的一般讨论链接：Apache Spark与Apache Flink的区别是什么？
回答：
免责声明：我是Apache Flink的PMC成员。我的回答重点在于Flink和Spark执行迭代的区别。
Apache Spark通过循环展开来执行迭代。这意味着对于每次迭代，都会调度和执行一组新的任务/操作符。Spark在这方面做得非常高效，因为它在低延迟任务调度方面表现出色（顺便说一下，Spark流处理也使用相同的机制），并且在迭代之间在内存中缓存数据。因此，每次迭代都在内存中处理前一次迭代的结果。在Spark中，迭代被实现为常规的for循环（参见逻辑回归示例）。
Flink将带有迭代的程序作为循环数据流来执行。这意味着数据流程序（及其所有操作符）只调度一次，数据从迭代的尾部反馈到头部。基本上，数据在迭代内的操作符之间循环流动。由于操作符只调度一次，它们可以在所有迭代中保持状态。Flink的API提供了两个专门的迭代操作符来指定迭代：1）批量迭代，这在概念上类似于循环展开；2）增量迭代。增量迭代可以显著加速某些算法，因为随着迭代次数的增加，每次迭代的工作量减少。例如，增量迭代PageRank实现的第10次迭代完成得比第一次迭代快得多。
