Kubeflow: Machine Learning Toolkit per Kubernetes

Kubeflow: Machine Learning Toolkit per Kubernetes

Kubeflow: Machine Learning Toolkit per Kubernetes

Il nostro post di oggi tratterà del settore Apprendimento automatico (Machine Learning / ML). In particolare su un'applicazione open source chiamata "Kubeflow", che a sua volta funziona kubernetes. Che, come molti di voi già sanno, è un sistema open source per automatizzare la distribuzione, il ridimensionamento e la gestione delle applicazioni containerizzate.

"Kubeflow" nonostante sia attualmente disponibile sotto il versione stabile 1.2, come appare nel suo sito ufficiale ufficiale e GitHub, nel suo Blog ufficiale, è già commentato il prossima versione 1.3. Ecco perché oggi approfondiremo questa applicazione.

Toolkit cognitivo: software open source di deep learning

Toolkit cognitivo: software open source di deep learning

E come al solito, per coloro che sono sempre desiderosi di approfondire un argomento letto, lasceremo i seguenti collegamenti a post precedenti correlati da esplorare una volta terminato questo post:

"Cognitive Toolkit di Microsoft (precedentemente chiamato CNTK) è un toolkit di deep learning (Machine Learning) de «Código Abierto» con un enorme potenziale. È anche gratuito, facile da usare e di qualità commerciale che ti consente di creare algoritmi di apprendimento profondo in grado di apprendere a un livello vicino a quello del cervello umano." Toolkit cognitivo: software open source di deep learning

Toolkit cognitivo: software open source di deep learning
Articolo correlato:
Toolkit cognitivo: software open source di deep learning
.NET e ML.NET: piattaforme Microsoft Open Source
Articolo correlato:
.NET e ML.NET: piattaforme Microsoft Open Source
TensorFlow e Pytorch: piattaforme AI open source
Articolo correlato:
TensorFlow e Pytorch: piattaforme AI open source

Kubeflow: un progetto di machine learning aperto

Kubeflow: un progetto di machine learning aperto

Cos'è Kubeflow?

Secondo il suo Sito ufficiale, questo progetto aperto è definito come segue:

"È un progetto dedicato a rendere le distribuzioni del flusso di lavoro di machine learning (ML) su Kubernetes semplici, portabili e scalabili. Non ha lo scopo di ricreare altri servizi, ma di fornire un modo semplice per distribuire i migliori sistemi open source per ML su varie infrastrutture. Quindi, ovunque venga eseguito Kubernetes, Kubeflow può essere eseguito."

Mentre, sul tuo sito all'indirizzo GitHub, aggiungi brevemente quanto segue:

"Kubeflow è la piattaforma nativa nel cloud per operazioni di machine learning: pipeline, formazione e distribuzione."

Da ciò si può facilmente dedurre che l'obiettivo principale di "Kubeflow" è:

"Rendi il più semplice possibile la scalabilità e la distribuzione del modello di machine learning (ML), consentendo a Kubernetes di fare ciò che fa: distribuzioni facili, ripetibili e portabili su un'infrastruttura diversificata, distribuzione e gestione di microservizi liberamente accoppiate e scalabilità su richiesta."

Caratteristiche?

Tra le notevoli caratteristiche di "Kubeflow" Possiamo menzionare quanto segue:

  • Include servizi per creare e gestire taccuini Jupiter interattivi. Consentendo di personalizzare la distribuzione delle stesse e di altre risorse del computer per adattarle alle esigenze della scienza dei dati. In questo modo, è facile sperimentare i flussi di lavoro locali e quindi distribuirli nel cloud quando necessario.
  • Fornisce un operatore di lavoro di formazione TensorFlow personalizzato. Che può essere utilizzato per addestrare un modello ML. In particolare, l'operatore di lavoro Kubeflow può gestire lavori di formazione TensorFlow distribuiti. Consentire alla potenza di configurare il controller di addestramento per utilizzare CPU o GPU e quindi adattarsi a varie dimensioni di cluster.
  • Supporta un contenitore TensorFlow Serving per esportare modelli TensorFlow addestrati su Kubernetes. Inoltre, Kubeflow è anche integrato con Seldon Core, una piattaforma open source per la distribuzione di modelli di machine learning su Kubernetes, e NVIDIA Triton Inference Server per massimizzare l'utilizzo della GPU durante la distribuzione di modelli ML / DL su larga scala.
  • Include la tecnologia Kubeflow Pipelines. Che è una soluzione completa per la distribuzione e la gestione dei flussi di lavoro ML end-to-end. Consentendo una sperimentazione veloce e affidabile, per la pianificazione e il confronto delle esecuzioni e la revisione di rapporti dettagliati su ciascuna esecuzione.
  • Offre una base multi-framework. Poiché, oltre a funzionare molto bene con TensorFlow, presto avrà il supporto per PyTorch, Apache MXNet, MPI, XGBoost, Chainer e altri.

Informazioni più aggiornate su "Kubeflow" può essere ottenuto direttamente sul tuo Blog ufficiale.

Cos'è Kubernetes?

Dato che, "Kubeflow" funziona "Kubernetes", vale la pena specificare in base al proprio Sito ufficiale che quest'ultimo è il seguente:

"Kubernetes (K8s) è una piattaforma open source per automatizzare la distribuzione, il ridimensionamento e la gestione delle applicazioni containerizzate."

E in caso, desidero approfondire "Kubernetes" Puoi esplorare le nostre pubblicazioni correlate precedenti e più recenti di seguito:

Articolo correlato:
Kubernetes 1.19 arriva con un anno di supporto, TLS 1.3, miglioramenti e altro ancora
Docker contro Kubernetes
Articolo correlato:
Docker vs Kubernetes: vantaggi e svantaggi

Immagine generica per le conclusioni dell'articolo

Conclusione

Speriamo questo "piccolo post utile" su «Kubeflow», un interessante e moderno progetto open source nel campo del deep learning, realizzato per aumentare la portata della piattaforma open source «Kubernetes »; è di grande interesse e utilità, per l'intero «Comunidad de Software Libre y Código Abierto» e di grande contributo alla diffusione del meraviglioso, gigantesco e crescente ecosistema di applicazioni di «GNU/Linux».

Per ora, se ti è piaciuto publicación, Non fermarti condividilo con altri, sui tuoi siti web, canali, gruppi o comunità di social network o sistemi di messaggistica preferiti, preferibilmente gratuiti, aperti e / o più sicuri come TelegramSignalMastodonte o un altro di Fediverse, preferibilmente.

E ricorda di visitare la nostra home page all'indirizzo «DesdeLinux» per esplorare altre notizie e unirti al nostro canale ufficiale di Telegramma da DesdeLinuxMentre, per maggiori informazioni, puoi visitare qualsiasi Biblioteca in linea come OpenLibra y jedit, per accedere e leggere libri digitali (PDF) su questo argomento o altri.


Puoi essere il primo a lasciare un commento

Lascia un tuo commento

L'indirizzo email non verrà pubblicato. I campi obbligatori sono contrassegnati con *

*

*

  1. Responsabile dei dati: Miguel Ángel Gatón
  2. Scopo dei dati: controllo SPAM, gestione commenti.
  3. Legittimazione: il tuo consenso
  4. Comunicazione dei dati: I dati non saranno oggetto di comunicazione a terzi se non per obbligo di legge.
  5. Archiviazione dati: database ospitato da Occentus Networks (UE)
  6. Diritti: in qualsiasi momento puoi limitare, recuperare ed eliminare le tue informazioni.