机器学习实战2.2.1_Kubeflow 1.0使用Kubernetes解决了机器学习工作流程

机器学习实战2.2.1

Google的Kubeflow解决方案用于在Kubernetes上部署机器学习堆栈 ， 现已正式发布1.0版本。

Kubeflow旨在解决机器学习项目中的两个主要问题：对集成的端到端工作流的需求，以及使机器学习系统的部署变得简单，可管理和可扩展的需求。 Kubeflow允许数据科学家在Kubernetes上构建机器学习工作流，并在生产中部署，管理和扩展机器学习模型，而无需学习Kubernetes或其组件的复杂性。

[ 也在InfoWorld上：2020年的人工智能预测 ]

Kubeflow旨在管理机器学习项目的每个阶段：编写代码，构建容器，分配Kubernetes资源来运行它们，训练模型并为这些模型提供预测。 Kubeflow 1.0版本提供工具，例如用于数据实验的Jupyter笔记本和用于常规监督的基于Web的仪表板UI，以在每个阶段提供帮助。

Google声称Kubeflow不仅为模型训练和预测服务，还为开发和研究工作提供了可重复性，隔离性，规模和弹性。 在Kubeflow下运行的Jupyter笔记本可能受到资源和进程的限制，并且可以重用配置，访问机密和数据源。

[ InfoWorld的2020年度技术奖获奖者：年度最佳软件开发，云计算，数据分析和机器学习产品 ]

Kubeflow的几个组件仍在开发中，并将在不久的将来推出。 管道允许使用Python创建复杂的工作流程。 元数据提供了一种跟踪有关各个模型，数据集，培训工作和预测运行的详细信息的方法。 Katib给Kubeflow用户执行超参数调节，自动化的方式来提高从模型预测的准确性的机制。

翻译自: https://www.infoworld.com/article/3529977/kubeflow-10-solves-machine-learning-workflows-with-kubernetes.html

机器学习实战2.2.1