Watson机器学习服务为训练深度学习模型提供了三种选项。文档列出了以下内容：
有几种方法可以训练模型，使用以下方法之一来训练你的模型：
- 实验构建器
- 命令行界面（CLI）
- Python客户端
我认为这些方法在(1) 成熟度和(2) 支持的功能方面会有所不同。
这些方法之间有何区别？为了确保这个问题符合质量要求，请提供一个客观的差异列表？以社区维基答案的形式提供您的回答，还可以允许在列表发生变化时更新答案。
如果您认为这个问题不适合Stack Overflow，请在评论中列出原因，我会尽力改进它。
回答：
使用这些技术的原因取决于用户的技能组合以及他们如何将训练/监控/部署步骤融入他们的工作流程中：
命令行界面（CLI）CLI对于快速和随机访问训练运行的细节非常有用。如果您正在使用shell脚本构建数据科学工作流程，这也很有用。
Python库WML的Python库允许用户将模型训练和部署整合到程序化工作流程中。它既可以在笔记本中使用，也可以通过IDE使用。该库已成为执行批量训练实验的最广泛使用的方式。
实验构建器用户界面这是Watson Studio中执行批量训练实验的“简单按钮”。这是快速学习Watson Studio中批量训练功能基础的途径。目前，数据科学家不期望将实验构建器作为启动批量训练实验的主要方式。随着模型构建器的成熟，这种情况可能会改变，但Python库在整合到生产工作流程中时更加灵活。
