Kubeflow: Toolkit für maschinelles Lernen für Kubernetes
Unser heutiger Beitrag befasst sich mit dem Bereich Automatisches Lernen (Maschinelles Lernen / ML). Speziell über eine Open Source-Anwendung namens "Kubeflow", was wiederum funktioniert Kubernetes. Wie viele von Ihnen bereits wissen, handelt es sich um ein Open-Source-System zur Automatisierung der Bereitstellung, Skalierung und Handhabung von Anwendungen in Containern.
"Kubeflow" obwohl derzeit unter dem verfügbar stabile Version 1.2, wie es auf seiner offiziellen offiziellen Website und GitHub, in seinem offiziellen Blog erscheint, ist es bereits auf der kommentiert nächste Version 1.3. Deshalb werden wir uns heute mit dieser Anwendung befassen.
Kognitives Toolkit: Open Source Deep Learning SW
Und wie üblich werden wir für diejenigen, die sich immer mit einem gelesenen Thema beschäftigen möchten, die folgenden Links aus verwandten früheren Beiträgen hinterlassen, die Sie nach Abschluss dieses Beitrags erkunden können:
"Das Cognitive Toolkit von Microsoft (früher CNTK genannt) ist ein Deep-Learning-Toolkit
(Machine Learning)de«Código Abierto»mit enormem Potenzial. Es ist außerdem kostenlos, benutzerfreundlich und von kommerzieller Qualität, mit der Sie Deep-Learning-Algorithmen erstellen können, die in der Lage sind, auf einem Niveau zu lernen, das dem des menschlichen Gehirns nahe kommt." Kognitives Toolkit: Open Source Deep Learning SW
Kubeflow: Ein offenes maschinelles Lernprojekt
Was ist Kubeflow?
Nach seiner Offizielle WebsiteDieses offene Projekt ist wie folgt definiert:
"Es handelt sich um ein Projekt, das darauf abzielt, Workflow-Bereitstellungen für maschinelles Lernen (ML) auf Kubernetes einfach, portabel und skalierbar zu gestalten. Es ist nicht beabsichtigt, andere Dienste neu zu erstellen, sondern eine einfache Möglichkeit zu bieten, die besten Open Source-Systeme für ML in verschiedenen Infrastrukturen bereitzustellen. Überall dort, wo Kubernetes ausgeführt wird, kann Kubeflow ausgeführt werden."
Während auf Ihrer Website bei GitHubFügen Sie kurz Folgendes hinzu:
"Kubeflow ist die native Plattform in der Cloud für maschinelles Lernen: Pipelines, Schulung und Bereitstellung."
Daraus lässt sich leicht ableiten, dass das Hauptziel von "Kubeflow" ist:
"Machen Sie die Skalierung und Bereitstellung von ML-Modellen (Machine Learning) so einfach wie möglich, indem Sie Kubernetes das tun lassen, was es tut: Einfache, wiederholbare und tragbare Bereitstellungen in einer vielfältigen Infrastruktur, Bereitstellung und Verwaltung von Microservices lose gekoppelt und bei Bedarf skalierbar."
Eigenschaften?
Unter den bemerkenswerten Eigenschaften von "Kubeflow" Wir können folgendes erwähnen:
- Enthält Dienste zum Erstellen und Verwalten interaktiver Jupiter-Notizbücher. Ermöglichen, die Bereitstellung derselben und anderer Computerressourcen anzupassen, um sie an die Anforderungen der Datenwissenschaft anzupassen. So können Sie problemlos mit lokalen Workflows experimentieren und diese bei Bedarf in der Cloud bereitstellen.
- Bietet einen benutzerdefinierten TensorFlow-Schulungsjobbetreiber. Welches kann verwendet werden, um ein ML-Modell zu trainieren. Insbesondere kann der Kubeflow-Jobbetreiber verteilte TensorFlow-Schulungsjobs verarbeiten. Ermöglichen der Stromversorgung, um den Trainingscontroller für die Verwendung von CPUs oder GPUs zu konfigurieren und sich somit an verschiedene Clustergrößen anzupassen.
- Unterstützt einen TensorFlow-Serviercontainer für den Export geschulter TensorFlow-Modelle nach Kubernetes. Darüber hinaus ist Kubeflow in Seldon Core, eine Open Source-Plattform für die Bereitstellung von Modellen für maschinelles Lernen auf Kubernetes, und NVIDIA Triton Inference Server integriert, um die GPU-Auslastung bei der Bereitstellung von ML / DL-Modellen in großem Maßstab zu maximieren.
- Beinhaltet die Kubeflow Pipelines-Technologie. Dies ist eine umfassende Lösung für die Bereitstellung und Verwaltung von End-to-End-ML-Workflows. Ermöglicht schnelles und zuverlässiges Experimentieren, Planen und Vergleichen von Läufen sowie Überprüfen detaillierter Berichte zu jedem Lauf.
- Bietet eine Multi-Framework-Grundlage. Da TensorFlow nicht nur sehr gut mit TensorFlow zusammenarbeitet, wird es in Kürze auch PyTorch, Apache MXNet, MPI, XGBoost, Chainer und mehr unterstützen.
Weitere aktuelle Informationen zu "Kubeflow" erhalten Sie direkt auf Ihrem Offizieller Blog.
Was ist Kubernetes?
Angenommen, "Kubeflow" arbeitet weiter "Kubernetes"Es lohnt sich, nach Ihren eigenen Angaben zu spezifizieren Offizielle Website dass letzteres das folgende ist:
"Kubernetes (K8s) ist eine Open Source-Plattform zur Automatisierung der Bereitstellung, Skalierung und Verwaltung von Containeranwendungen."
Und im Falle von, möchte weiter vertiefen "Kubernetes" Nachfolgend finden Sie unsere früheren und neuesten Veröffentlichungen:
Fazit
Wir hoffen das "hilfreicher kleiner Beitrag" auf «Kubeflow», ein interessantes und modernes Open-Source-Projekt im Bereich Deep Learning, mit dem die Reichweite der Open-Source-Plattform erhöht werden soll «Kubernetes »;; ist für das Ganze von großem Interesse und Nutzen «Comunidad de Software Libre y Código Abierto» und von großem Beitrag zur Verbreitung des wunderbaren, gigantischen und wachsenden Ökosystems der Anwendungen von «GNU/Linux».
Fürs Erste, wenn dir das gefallen hat publicación, Halte nicht an teile es mit anderen auf Ihren bevorzugten Websites, Kanälen, Gruppen oder Gemeinschaften von sozialen Netzwerken oder Nachrichtensystemen, vorzugsweise kostenlos, offen und / oder sicherer als Telegram, Signal, Mastodon oder eine andere von Fediverse, vorzugsweise.
Und denken Sie daran, unsere Homepage unter zu besuchen «DesdeLinux» um weitere Neuigkeiten zu erfahren und sich unserem offiziellen Kanal von anzuschließen Telegramm von DesdeLinux. Für weitere Informationen können Sie alle besuchen Online-Bibliothek als OpenLibra y jedit, Zugriff auf und Lesen von digitalen Büchern (PDFs) zu diesem oder anderen Themen.