基于分布式平台的机器学习模型训练以及上线部署方案总结

1.调度平台：
谷歌的kubeflow
Databricks的Mlflow
Airflow
2.bdp可以定时也可以接口调用
3.多个模型并行训练可以采用接口传参获取特定数据训练特定模型，然后允许任务并行即可等价于k8s或者容器内搭建调度平台然后通过节点调用bdp接囗，因为bdp本身就是调度平台
4.训练与预测最大区别：训练存储模型文件不一定给预测结果，如果有预测结果是离线存在hive表预测是使用已知模型文件返回预测结果，可以存储hive表单更多是实时返回预测结果
5.预测分为离线数据预测和实时数据预测：离线数据预测可以离线预测结果提前存hive表离线数据预测可以提前转成hbase实现实时返回预测结果实时数据即为用真实的实时数据流进行预测

重点要实现实时数据和实时计算

# -*- coding：utf-8 -*-
from kafka import   KafkaProducer, KafkaConsumer
from   kafka. errors  import  kafka_errors
import  traceback
import  json 
import time

def  consumer_demo1() 
    consumer • = KafkaConsumer 
     'INC VSAP CLOS_LLRM' , 
    bootstrap_servers= ' 100. 80.128.199 : 992 ' 
    # , api_version=(0,9)
    #, ssL check hostname=FaLse 
    )
    # consumer = KafkaConsumer(group_id = ''111111', bootstrap_servers = [' 100. 80.128.199 : 992 ' ])
    # consumer. subscribe(topics=( 'INC_VSAP_CLOS_LLRM',))  #消息的主题可以指定多个
    print(consumer. topics()) 
    index = 0
    while  True: 
         msg   = consumer . poll(timeout=5, max_records=5)   #从Kafka获取消息
         print (msg) 
         time. sleep(2)
         index +=1
         print('--------poll  index  is %s---------' % index)