Notre article d'aujourd'hui traitera du domaine de Apprentissage automatique (Machine Learning / ML). Plus précisément à propos d'une application open source appelée "Kubeflow", qui à son tour, fonctionne sur Kubernetes. Ce qui, comme beaucoup d'entre vous le savent déjà, est un système open source pour automatiser le déploiement, la mise à l'échelle et la gestion des applications conteneurisées.
"Kubeflow" bien qu'il soit actuellement disponible sous le version stable 1.2, tel qu'il apparaît sur son site officiel officiel et GitHub, dans son blog officiel, il est déjà commenté sur le prochaine version 1.3. C'est pourquoi aujourd'hui, nous allons nous plonger dans cette application.
Et comme d'habitude, pour ceux qui sont toujours désireux de se plonger dans un sujet lu, nous laisserons les liens suivants des articles précédents connexes pour que vous puissiez les explorer une fois que ce message sera terminé:
"La boîte à outils cognitive de Microsoft (anciennement appelée CNTK) est une boîte à outils d'apprentissage en profondeur
(Machine Learning)
de«Código Abierto»
avec un énorme potentiel. C'est également gratuit, facile à utiliser et de qualité commerciale qui vous permet de créer des algorithmes d'apprentissage en profondeur capables d'apprendre à un niveau proche de celui du cerveau humain. » Boîte à outils cognitive: logiciel Open Source Deep Learning
Kubeflow: un projet d'apprentissage automatique ouvert
Qu'est-ce que Kubeflow?
Selon son site officiel, ce projet ouvert est défini comme suit:
"Il s'agit d'un projet dédié à rendre les déploiements de flux de travail d'apprentissage automatique (ML) sur Kubernetes simples, portables et évolutifs. Il ne vise pas à recréer d'autres services, mais à fournir un moyen simple de déployer les meilleurs systèmes open source pour le ML sur diverses infrastructures. Ainsi, partout où Kubernetes s'exécute, Kubeflow peut s'exécuter. »
Alors que, sur votre site à GitHub, ajoutez brièvement ce qui suit:
"Kubeflow est la plateforme native dans le cloud pour les opérations de machine learning: pipelines, formation et déploiement. »
De là, on peut facilement en déduire que l'objectif principal de "Kubeflow" est la suivante:
"Facilitez au maximum la mise à l'échelle et le déploiement des modèles d'apprentissage automatique (ML), en laissant Kubernetes faire ce qu'il fait: déploiements faciles, répétables et portables sur une infrastructure diversifiée, déploiement et gestion de microservices faiblement couplés et évolutifs à la demande. »
Caractéristiques?
Parmi les caractéristiques remarquables de "Kubeflow" nous pouvons mentionner ce qui suit:
- Inclut des services pour créer et gérer des blocs-notes interactifs Jupiter. Permettre de personnaliser le déploiement des mêmes ressources informatiques et d'autres pour les adapter aux besoins de la science des données. Ainsi, il est facile d'expérimenter les flux de travail locaux, puis de les déployer dans le cloud si nécessaire.
- Fournit un opérateur de tâche de formation TensorFlow personnalisé. Qui peut être utilisé pour entraîner un modèle ML. En particulier, l'opérateur de tâches Kubeflow peut gérer des tâches de formation TensorFlow distribuées. Permettre à la puissance de configurer le contrôleur d'entraînement pour utiliser des CPU ou des GPU, et ainsi s'adapter à différentes tailles de cluster.
- Prend en charge un conteneur TensorFlow Serving pour l'exportation de modèles TensorFlow entraînés vers Kubernetes. De plus, Kubeflow est également intégré à Seldon Core, une plate-forme open source pour le déploiement de modèles d'apprentissage automatique sur Kubernetes, et NVIDIA Triton Inference Server pour maximiser l'utilisation du GPU lors du déploiement de modèles ML / DL à grande échelle.
- Inclut la technologie Kubeflow Pipelines. Il s'agit d'une solution complète pour le déploiement et la gestion de flux de travail ML de bout en bout. Permettant une expérimentation rapide et fiable, pour la planification et la comparaison des exécutions, et l'examen des rapports détaillés sur chaque exécution.
- Offre une base multi-framework. Depuis, en plus de fonctionner très bien avec TensorFlow, il prendra bientôt en charge PyTorch, Apache MXNet, MPI, XGBoost, Chainer, etc.
Plus d'informations à jour sur "Kubeflow" peut être obtenu directement sur votre Blog officiel.
Qu'est-ce que Kubernetes?
Étant donné que, "Kubeflow" travaille sur "Kubernetes", il vaut la peine de spécifier selon le vôtre site officiel que ce dernier est le suivant:
"Kubernetes (K8s) est une plate-forme open source pour automatiser le déploiement, la mise à l'échelle et la gestion des applications conteneurisées. »
Et en cas de désir d'approfondir "Kubernetes" Vous pouvez explorer nos publications précédentes et récentes connexes ci-dessous:
Conclusion
Nous espérons que "petit message utile » sur «Kubeflow»
, un projet open source intéressant et moderne dans le domaine du deep learning, conçu pour augmenter la portée de la plateforme open source «Kubernetes »; est d'un grand intérêt et d'une grande utilité, pour l'ensemble «Comunidad de Software Libre y Código Abierto»
et d'une grande contribution à la diffusion de l'écosystème merveilleux, gigantesque et croissant d'applications de «GNU/Linux»
.
Pour l'instant, si vous avez aimé ça publicación
, Ne vous arrêtez pas partager avec d'autres, sur vos sites Web, canaux, groupes ou communautés de réseaux sociaux ou systèmes de messagerie préférés, de préférence gratuits, ouverts et / ou plus sécurisés que Telegram, Signal, Mastodonte ou un autre de Fediverse, de préférence.
Et n'oubliez pas de visiter notre page d'accueil à «DesdeLinux» pour explorer plus d'actualités et rejoindre notre chaîne officielle de Télégramme de DesdeLinux. Alors que, pour plus d'informations, vous pouvez visiter n'importe quel Bibliothèque en ligne comme OpenBalance y Jedit, pour accéder et lire des livres numériques (PDF) sur ce sujet ou d'autres.