Kubeflow: Kit Alat Pembelajaran Mesin untuk Kubernetes

Kubeflow: Kit Alat Pembelajaran Mesin untuk Kubernetes

Kubeflow: Kit Alat Pembelajaran Mesin untuk Kubernetes

Pos kami hari ini akan berurusan dengan bidang Pembelajaran Automatik (Pembelajaran Mesin / ML). Khususnya mengenai aplikasi sumber terbuka yang dipanggil "Kubeflow", yang seterusnya, berfungsi Kubernetes. Yang, seperti yang sudah anda ketahui, adalah sistem sumber terbuka untuk mengotomatisasi penggunaan, penskalaan dan pengendalian aplikasi berkontena.

"Kubeflow" walaupun pada masa ini tersedia di bawah versi stabil 1.2, seperti yang terdapat di laman web rasminya dan GitHub, di Blog rasminya, ia telah dikomentari di versi seterusnya 1.3. Itulah sebabnya hari ini, kami akan menyelidiki aplikasi ini.

Toolkit Kognitif: Open Source Deep Learning SW

Toolkit Kognitif: Open Source Deep Learning SW

Dan seperti biasa, bagi mereka yang selalu berminat untuk membaca topik yang dibaca, kami akan meninggalkan pautan berikut ke catatan sebelumnya yang berkaitan untuk anda terokai setelah catatan ini selesai:

"Toolkit Kognitif Microsoft (sebelumnya disebut CNTK) adalah toolkit pembelajaran mendalam (Machine Learning) de «Código Abierto» dengan potensi yang sangat besar. Ia juga percuma, mudah digunakan, dan bermutu komersial yang membolehkan anda membuat algoritma pembelajaran mendalam yang mampu belajar pada tahap yang hampir dengan otak manusia." Toolkit Kognitif: Open Source Deep Learning SW

artikel berkaitan:
Toolkit Kognitif: Open Source Deep Learning SW

artikel berkaitan:
.NET dan ML.NET: Platform Sumber Terbuka Microsoft
artikel berkaitan:
TensorFlow dan Pytorch: Platform AI Sumber Terbuka

Kubeflow: Projek Pembelajaran Mesin Terbuka

Kubeflow: Projek Pembelajaran Mesin Terbuka

Apa itu Kubeflow?

Menurut anda laman web rasmi, projek terbuka ini ditakrifkan seperti berikut:

"Ini adalah projek yang didedikasikan untuk membuat penerapan aliran kerja pembelajaran mesin (ML) di Kubernetes mudah, mudah alih dan berskala. Ini tidak bertujuan untuk membuat semula perkhidmatan lain, tetapi untuk menyediakan cara mudah untuk menggunakan sistem sumber terbuka terbaik untuk ML di berbagai infrastruktur. Jadi di mana sahaja Kubernetes berjalan, Kubeflow dapat berjalan."

Sementara, di laman web anda di GitHub, tambahkan perkara berikut secara ringkas:

"Kubeflow adalah platform asli di awan untuk operasi pembelajaran mesin: saluran paip, latihan dan penggunaan."

Dari ini, dapat disimpulkan dengan mudah bahawa, objektif utama "Kubeflow" Ia adalah:

"Jadikan penskalaan dan penerapan model pembelajaran mesin (ML) semudah mungkin, dengan membiarkan Kubernetes melakukan apa yang dilakukannya: Penyebaran mudah, berulang, dan mudah alih di pelbagai infrastruktur, penyebaran dan pengurusan perkhidmatan mikro digabungkan dan skala sesuai permintaan."

Ciri-ciri?

Antara ciri-ciri yang luar biasa dari "Kubeflow" Kita boleh menyebut perkara berikut:

  • Termasuk perkhidmatan untuk membuat dan menguruskan buku nota Musytari interaktif. Membolehkan menyesuaikan penyebaran sumber komputer yang sama dan lain-lain untuk menyesuaikannya dengan keperluan sains data. Oleh itu, memudahkan percubaan dengan aliran kerja tempatan, dan kemudian menyebarkannya di awan apabila perlu.
  • Menyediakan pengendali pekerjaan latihan TensorFlow tersuai. Yang boleh digunakan untuk melatih model ML. Khususnya, pengendali pekerjaan Kubeflow dapat menangani pekerjaan latihan TensorFlow yang diedarkan. Membolehkan kekuatan untuk mengkonfigurasi pengawal latihan untuk menggunakan CPU atau GPU, dan dengan itu dapat menyesuaikan diri dengan pelbagai ukuran kluster.
  • Menyokong bekas TensorFlow Serving untuk mengeksport model TensorFlow terlatih ke Kubernetes. Selain itu, Kubeflow juga diintegrasikan dengan Seldon Core, platform sumber terbuka untuk menyebarkan model pembelajaran mesin di Kubernetes, dan NVIDIA Triton Inference Server untuk memaksimumkan penggunaan GPU ketika menggunakan model ML / DL pada skala besar.
  • Termasuk teknologi Kubeflow Piplines. Yang merupakan penyelesaian komprehensif untuk menyebarkan dan mengurus aliran kerja ML hujung-ke-hujung. Membolehkan percubaan pantas dan boleh dipercayai, untuk menjadualkan dan membandingkan larian, dan mengkaji laporan terperinci pada setiap larian.
  • Menawarkan asas pelbagai kerangka. Oleh kerana, selain berfungsi dengan baik dengan TensorFlow, ia akan segera mendapat sokongan untuk PyTorch, Apache MXNet, MPI, XGBoost, Chainer, dan banyak lagi.

Lebih banyak maklumat terkini mengenai "Kubeflow" boleh didapati secara langsung pada anda Blog rasmi.

Apa itu Kubernetes?

Memandangkan, "Kubeflow" berfungsi pada "Kubernetes", perlu dinyatakan mengikut kehendak anda sendiri laman web rasmi yang terakhir adalah yang berikut:

"Kubernetes (K8s) adalah platform sumber terbuka untuk mengotomatisasi penggunaan, penskalaan, dan pengelolaan aplikasi kontena."

Sekiranya berlaku, ingin memperdalam "Kubernetes" Anda boleh meneroka penerbitan berkaitan sebelumnya dan terkini kami di bawah:

artikel berkaitan:
Kubernetes 1.19 tiba dengan sokongan selama satu tahun, TLS 1.3, peningkatan dan banyak lagi
artikel berkaitan:
Docker vs Kubernetes: kelebihan dan kekurangan

Gambar generik untuk kesimpulan artikel

Kesimpulan

Kami harap ini "jawatan kecil yang berguna" pada «Kubeflow», sebuah projek sumber terbuka yang menarik dan moden dalam bidang pembelajaran mendalam, dibuat untuk meningkatkan jangkauan platform sumber terbuka «Kubernetes »; sangat menarik dan bermanfaat, untuk keseluruhannya «Comunidad de Software Libre y Código Abierto» dan memberi sumbangan besar kepada penyebaran ekosistem aplikasi yang hebat, raksasa dan berkembang «GNU/Linux».

Buat masa ini, jika anda menyukai ini publicación, Jangan berhenti kongsi dengan orang lain, di laman web, saluran, kumpulan atau komuniti rangkaian sosial atau sistem pesanan kegemaran anda, lebih baik percuma, terbuka dan / atau lebih selamat seperti TelegramIsyaratMastodon atau yang lain dari Fediverse, lebih baik.

Dan ingat untuk mengunjungi laman utama kami di «DariLinux» untuk meneroka lebih banyak berita, serta menyertai saluran rasmi kami Telegram dari DesdeLinuxWalaupun, untuk maklumat lebih lanjut, anda boleh mengunjungi mana-mana Perpustakaan dalam talian sebagai OpenLibra y jedit, untuk mengakses dan membaca buku digital (PDF) mengenai topik ini atau yang lain.


Kandungan artikel mematuhi prinsip kami etika editorial. Untuk melaporkan ralat, klik di sini.

Menjadi yang pertama untuk komen

Tinggalkan komen anda

Alamat email anda tidak akan disiarkan.

*

*

  1. Bertanggungjawab atas data: Miguel Ángel Gatón
  2. Tujuan data: Mengendalikan SPAM, pengurusan komen.
  3. Perundangan: Persetujuan anda
  4. Komunikasi data: Data tidak akan disampaikan kepada pihak ketiga kecuali dengan kewajiban hukum.
  5. Penyimpanan data: Pangkalan data yang dihoskan oleh Occentus Networks (EU)
  6. Hak: Pada bila-bila masa anda boleh menghadkan, memulihkan dan menghapus maklumat anda.

bool(benar)