Kubeflow: Machine Learning Toolkit for Kubernetes

Kubeflow: Machine Learning Toolkit for Kubernetes

Kubeflow: Machine Learning Toolkit for Kubernetes

Innlegget vårt i dag vil ta for seg feltet Automatisk læring (maskinlæring / ML). Spesielt om et open source-program som heter "Kubeflow", som igjen fungerer på Kubernetes. Som, som mange av dere allerede vet, er et open source-system for å automatisere distribusjon, skalering og håndtering av containeriserte applikasjoner.

"Kubeflow" til tross for at de for øyeblikket er tilgjengelige under stabil versjon 1.2, som det vises på det offisielle offisielle nettstedet og GitHub, i sin offisielle blogg, er det allerede kommentert på neste versjon 1.3. Det er derfor vi i dag vil fordype oss i denne applikasjonen.

Kognitiv verktøy: Open Source Deep Learning SW

Kognitiv verktøy: Open Source Deep Learning SW

Og som vanlig, for de som alltid er ivrige etter å fordype seg i et lest emne, vil vi legge igjen følgende lenker til relaterte tidligere innlegg som du kan utforske når dette innlegget er ferdig:

"Microsofts Cognitive Toolkit (tidligere kalt CNTK) er et verktøy for dyp læring (Machine Learning) de «Código Abierto» med enormt potensiale. Det er også gratis, enkel å bruke og kvalitet i kommersiell klasse som lar deg lage dyplæringsalgoritmer som er i stand til å lære på et nivå nær den menneskelige hjernen." Kognitiv verktøy: Open Source Deep Learning SW

Kognitiv verktøy: Open Source Deep Learning SW
Relatert artikkel:
Kognitiv verktøy: Open Source Deep Learning SW
.NET og ML.NET: Microsoft Open Source-plattformer
Relatert artikkel:
.NET og ML.NET: Microsoft Open Source-plattformer
TensorFlow og Pytorch: Open Source AI-plattformer
Relatert artikkel:
TensorFlow og Pytorch: Open Source AI-plattformer

Kubeflow: Et åpent maskinlæringsprosjekt

Kubeflow: Et åpent maskinlæringsprosjekt

Hva er Kubeflow?

I følge din offisiell hjemmeside, er dette åpne prosjektet definert som følger:

"Det er et prosjekt dedikert til å gjøre distribusjon av arbeidsflyt for maskinlæring (ML) på Kubernetes enkelt, bærbart og skalerbart. Det er ikke ment å gjenskape andre tjenester, men å gi en enkel måte å distribuere de beste open source-systemene for ML på tvers av ulike infrastrukturer. Så hvor som helst Kubernetes løper, kan Kubeflow løpe."

Mens du er på nettstedet ditt kl GitHub, legg kort til følgende:

"Kubeflow er den opprinnelige plattformen i skyen for maskinlæringsoperasjoner: rørledninger, opplæring og distribusjon."

Fra dette kan det lett utledes at, hovedmålet med "Kubeflow" er:

"Gjør maskinlæring (ML) -modellskalering og distribusjon så enkel som mulig, ved å la Kubernetes gjøre det den gjør: Enkel, repeterbar og bærbar distribusjon på tvers av en mangfoldig infrastruktur, distribusjon og administrasjon av mikrotjenester, løst koblet og skaleres etter behov."

Kjennetegn?

Blant de bemerkelsesverdige egenskapene til "Kubeflow" Vi kan nevne følgende:

  • Inkluderer tjenester for å lage og administrere interaktive Jupiter-notatbøker. Tillater å tilpasse distribusjonen av de samme og andre dataressursene for å tilpasse dem til datavitenskapens behov. Dermed blir det enkelt å eksperimentere med lokale arbeidsflyter, og deretter distribuere dem i skyen når det er nødvendig.
  • Tilbyr en tilpasset TensorFlow-opplæringsjobboperatør. Som kan brukes til å trene en ML-modell. Spesielt kan Kubeflow jobboperatør håndtere distribuerte TensorFlow treningsjobber. Tillate kraften til å konfigurere opplæringskontrolleren til å bruke CPUer eller GPUer, og dermed tilpasse seg forskjellige klyngestørrelser.
  • Støtter en TensorFlow serveringsbeholder for å eksportere trente TensorFlow-modeller til Kubernetes. I tillegg er Kubeflow også integrert med Seldon Core, en åpen kildekodeplattform for distribusjon av maskinlæringsmodeller på Kubernetes, og NVIDIA Triton Inference Server for å maksimere GPU-utnyttelse når du distribuerer ML / DL-modeller i stor skala.
  • Inkluderer Kubeflow Pipelines-teknologi. Som er en omfattende løsning for distribusjon og administrering av end-to-end ML-arbeidsflyter. Tillater rask og pålitelig eksperimentering, for planlegging og sammenligning av løp, og gjennomgang av detaljerte rapporter om hvert løp.
  • Tilbyr et multi-framework fundament. Siden, i tillegg til å jobbe veldig bra med TensorFlow, vil det snart ha støtte for PyTorch, Apache MXNet, MPI, XGBoost, Chainer og mer.

Mer oppdatert informasjon om "Kubeflow" kan fås direkte på din Offisiell blogg.

Hva er Kubernetes?

Gitt, "Kubeflow" fungerer på "Kubernetes", er det verdt å spesifisere i henhold til dine egne offisiell hjemmeside at sistnevnte er følgende:

"Kubernetes (K8s) er en åpen kildekodeplattform for automatisering av distribusjon, skalering og administrering av containeriserte applikasjoner."

Og i tilfelle av, ønsker å utdype "Kubernetes" Du kan utforske våre forrige og siste relaterte publikasjoner nedenfor:

Relatert artikkel:
Kubernetes 1.19 ankommer med ett års støtte, TLS 1.3, forbedringer og mer
Docker vs. Kubernetes
Relatert artikkel:
Docker vs Kubernetes: fordeler og ulemper

Generisk bilde for artikkelkonklusjoner

Konklusjon

Vi håper dette "nyttig lite innlegg"«Kubeflow», et interessant og moderne open source-prosjekt innen dyp læring, laget for å øke rekkevidden til open source-plattformen «Kubernetes »; er av stor interesse og nytte, for hele «Comunidad de Software Libre y Código Abierto» og med stort bidrag til spredningen av det fantastiske, gigantiske og voksende økosystemet med applikasjoner av «GNU/Linux».

For nå, hvis du likte dette publicación, Ikke stopp del det med andre på dine favorittnettsteder, kanaler, grupper eller fellesskap av sosiale nettverk eller meldingssystemer, helst gratis, åpent og / eller sikrere som TelegramSignalМастодон eller en annen av Fediverse, helst.

Og husk å besøke hjemmesiden vår kl «DesdeLinux» for å utforske flere nyheter, samt bli med på vår offisielle kanal Telegram av DesdeLinuxMens du kan besøke hvilken som helst for mer informasjon Nettbibliotek som OpenLibra y jedit, for å få tilgang til og lese digitale bøker (PDF-filer) om dette emnet eller andre.


Bli den første til å kommentere

Legg igjen kommentaren

Din e-postadresse vil ikke bli publisert. Obligatoriske felt er merket med *

*

*

  1. Ansvarlig for dataene: Miguel Ángel Gatón
  2. Formålet med dataene: Kontroller SPAM, kommentaradministrasjon.
  3. Legitimering: Ditt samtykke
  4. Kommunikasjon av dataene: Dataene vil ikke bli kommunisert til tredjeparter bortsett fra ved juridisk forpliktelse.
  5. Datalagring: Database vert for Occentus Networks (EU)
  6. Rettigheter: Når som helst kan du begrense, gjenopprette og slette informasjonen din.