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。
机器学习实战2.2.1