Kubeflow: Machine Learning Toolkit til Kubernetes

Kubeflow: Machine Learning Toolkit til Kubernetes

Kubeflow: Machine Learning Toolkit til Kubernetes

Vores indlæg i dag vil beskæftige sig med området Automatisk læring (Machine Learning / ML). Specifikt om en open source-applikation kaldet "Kubeflow", som igen fungerer Kubernetes. Som, som mange af jer allerede ved, er et open source-system til automatisering af implementering, skalering og håndtering af containeriserede applikationer.

"Kubeflow" på trods af at de i øjeblikket er tilgængelige under stabil version 1.2, som det vises på dets officielle officielle hjemmeside og GitHub, i sin officielle blog, er det allerede kommenteret på næste version 1.3. Derfor vil vi i dag dykke ned i denne applikation.

Kognitiv værktøjssæt: Open Source Deep Learning SW

Kognitiv værktøjssæt: Open Source Deep Learning SW

Og som sædvanlig vil vi for dem, der altid er ivrige efter at fordybe sig i et læst emne, efterlade følgende links til relaterede tidligere indlæg, som du kan udforske, når dette indlæg er færdigt:

"Microsofts Cognitive Toolkit (tidligere kaldet CNTK) er en dyb læringsværktøjssæt (Machine Learning) de «Código Abierto» med et enormt potentiale. Det er også gratis, let at bruge og kvalitet i kommerciel kvalitet, der giver dig mulighed for at oprette dyb læringsalgoritmer, der er i stand til at lære på et niveau tæt på den menneskelige hjernes." Kognitiv værktøjssæt: Open Source Deep Learning SW

relateret artikel:
Kognitiv værktøjssæt: Open Source Deep Learning SW

relateret artikel:
.NET og ML.NET: Microsoft Open Source-platforme
relateret artikel:
TensorFlow og Pytorch: Open Source AI-platforme

Kubeflow: Et åbent maskinlæringsprojekt

Kubeflow: Et åbent maskinlæringsprojekt

Hvad er Kubeflow?

Ifølge din officielle hjemmeside, dette åbne projekt er defineret som følger:

"Det er et projekt dedikeret til at gøre maskinlæring (ML) arbejdsflowimplementeringer på Kubernetes enkle, bærbare og skalerbare. Det er ikke beregnet til at genskabe andre tjenester, men at give en nem måde at implementere de bedste open source-systemer til ML på tværs af forskellige infrastrukturer. Så hvor som helst Kubernetes kører, kan Kubeflow køre."

Mens du er på dit websted kl GitHub, tilføj kort følgende:

"Kubeflow er den oprindelige platform i skyen til maskinindlæring: rørledninger, træning og implementering."

Af dette kan det let udledes, at hovedformålet med "Kubeflow" Det er:

"Gør maskinindlæring (ML) model skalering og implementering så let som muligt ved at lade Kubernetes gøre, hvad den gør: Nem, gentagelig og bærbar implementering på tværs af en forskellig infrastruktur, implementering og styring af mikroservices løst sammenkoblet og skaleret efter behov."

Egenskaber?

Blandt de bemærkelsesværdige egenskaber ved "Kubeflow" Vi kan nævne følgende:

  • Inkluderer tjenester til oprettelse og styring af interaktive Jupiter-notesbøger. Tillader at tilpasse implementeringen af ​​de samme og andre computerressourcer for at tilpasse dem til datavidenskabens behov. Således er det let at eksperimentere med lokale arbejdsgange og derefter implementere dem i skyen, når det er nødvendigt.
  • Tilbyder en brugerdefineret TensorFlow-træningsjoboperatør. Hvilket kan bruges til at træne en ML-model. Især kan Kubeflow-joboperatøren håndtere distribuerede TensorFlow-træningsjob. Tillader styrken til at konfigurere træningscontrolleren til at bruge CPU'er eller GPU'er og dermed tilpasse sig forskellige klyngestørrelser.
  • Understøtter en TensorFlow serveringscontainer til eksport af uddannede TensorFlow-modeller til Kubernetes. Derudover er Kubeflow også integreret med Seldon Core, en open source-platform til implementering af maskinlæringsmodeller på Kubernetes og NVIDIA Triton Inference Server for at maksimere GPU-udnyttelse, når ML / DL-modeller implementeres i målestok.
  • Inkluderer Kubeflow Pipelines teknologi. Hvilket er en omfattende løsning til implementering og styring af end-to-end ML-arbejdsgange. Tillader hurtig og pålidelig eksperimentering, til planlægning og sammenligning af kørsler og gennemgang af detaljerede rapporter om hver kørsel.
  • Tilbyder et fundament med flere rammer. Da det udover at arbejde meget godt med TensorFlow, snart vil det have support til PyTorch, Apache MXNet, MPI, XGBoost, Chainer og mere.

Mere opdaterede oplysninger om "Kubeflow" kan fås direkte på din Officiel blog.

Hvad er Kubernetes?

På grund af, "Kubeflow" fungerer videre "Kubernetes", er det værd at specificere i henhold til dine egne officielle hjemmeside at sidstnævnte er følgende:

"Kubernetes (K8s) er en open source-platform til automatisering af implementering, skalering og styring af containeriserede applikationer."

Og i tilfælde af, ønsker at uddybe "Kubernetes" Du kan udforske vores tidligere og seneste relaterede publikationer nedenfor:

relateret artikel:
Kubernetes 1.19 ankommer med et års support, TLS 1.3, forbedringer og mere
relateret artikel:
Docker vs Kubernetes: fordele og ulemper

Generisk billede til artikelkonklusioner

Konklusion

Vi håber det "nyttigt lille indlæg" om «Kubeflow», et interessant og moderne open source-projekt inden for dyb læring, der har til formål at øge rækkevidden af ​​open source-platformen «Kubernetes »; er af stor interesse og nytte for hele det «Comunidad de Software Libre y Código Abierto» og med stort bidrag til udbredelsen af ​​det vidunderlige, gigantiske og voksende økosystem af applikationer af «GNU/Linux».

For nu, hvis du kunne lide dette publicación, Stop ikke del det med andre på dine yndlingswebsteder, kanaler, grupper eller samfund af sociale netværk eller messaging-systemer, helst gratis, åbent og / eller mere sikkert som TelegramSignalMastodon eller en anden af Fediverse, helst.

Og husk at besøge vores startside kl «Fra Linux» for at udforske flere nyheder samt deltage i vores officielle kanal for Telegram fra FromLinuxMens, for mere information, kan du besøge enhver Online bibliotek som OpenLibra y JedIT, for at få adgang til og læse digitale bøger (PDF-filer) om dette emne eller andre.


Indholdet af artiklen overholder vores principper for redaktionel etik. Klik på for at rapportere en fejl her.

Vær den første til at kommentere

Efterlad din kommentar

Din e-mailadresse vil ikke blive offentliggjort. Obligatoriske felter er markeret med *

*

*

  1. Ansvarlig for dataene: Miguel Ángel Gatón
  2. Formålet med dataene: Control SPAM, management af kommentarer.
  3. Legitimering: Dit samtykke
  4. Kommunikation af dataene: Dataene vil ikke blive kommunikeret til tredjemand, undtagen ved juridisk forpligtelse.
  5. Datalagring: Database hostet af Occentus Networks (EU)
  6. Rettigheder: Du kan til enhver tid begrænse, gendanne og slette dine oplysninger.