开源新项目Kubeflow：让Kubernetes集群具备机器学习能力

Kubeflow为Kubernetes集群用户部署机器学习带来了可组合的，更易于使用的堆栈，并提供了更多的控制和可移植性，而不仅仅是TensorFlow。

Kubeflow是一个使Kubernetes上的机器学习变得简单，便携和可扩展的新项目。Kubeflow能够运行在可部署Kubernetes的任何环境中。Kubeflow不是重新创建其他服务，而是为Kubernetes用户提供最佳解决方案。

为什么要使用Kubeflow？

Kubeflow旨在使机器学习对Kubernetes用户更容易，通过让系统照顾细节（在合理的范围内）并支持机器学习从业者所需要的工具。

Kubernetes已经有：

• 在不同的基础设施（笔记本电脑< - > ML设备< - >培训集群< - >生产集群）上轻松可重复、便携的部署

• 部署和管理松散耦合的微服务

• 根据需求进行缩放

Kuberflow旨在为用户提供简单的清单，以便可以轻松地在任何位置使用机器学习堆栈在Kubernetes上运行。另外，它可以基于部署集群进行自我配置。

特别是，Kubeflow包含对创建JupyterHub的支持。用户可以为Jupyter笔记本创建多用途Hub。Hub可以为学生，企业数据科学工作组，科学研究项目或高性能计算组提供笔记本服务器。

Kubeflow用户还可以创建一个TensorFlow培训控制器来配置CPU或GPU，有助于用单一设置调整集群的大小，也可以创建一个TF服务continer。

Kubeflow对于已经使用Kubernetes的人来说是非常棒的，这使每个人都在同一个工具链上，而不需要添加额外的步骤。它还为具有本地或基于云服务器的人员带来了可扩展性。

如果只需要一个容器和一个简单的管道，Kubeflow可能会有点多。Google Cloud ML引擎更适合希望在云中运行并希望获得抽象层的用户。一般来说，如果将5个或更多服务以及系统连接在一起以创建机器学习堆栈，那么Kubeflow可以简化工作负载。

入门

显然，前提是你已经有了一个Kubernetes集群可用。如果有任何特定的Kubernetes安装，则需要额外配置。更多信息可以在GitHub（https://github.com/google/kubeflow）上找到。