谷歌发布机器学习工具库Kubeflow
极客时间编辑部
讲述:杜力大小:1.05M时长:02:17
日前,谷歌公布了一款新的开源项目 Kubeflow,单从名字就可以看出这是 Kubernetes 和 TensorFlow 的合成词。
Kubeflow 旨在让机器学习能够更加容易、可移植、可扩展的在 Kubernetes 上运行。其目的并不是简单的重新制造一个服务,而是希望提供一个更为直接的开源解决方案。
Kubernetes 是谷歌发布的一款容器编排和管理框架,TensorFlow 则是众所周知的开源机器学习框架,二者均是目前开源界非常火热和流行的项目,两者强强联手会带来什么呢?
根据官方介绍,Kubeflow 的任务是帮助人们更加轻松、简单的使用机器学习,而 Kubernetes 则正好可以成为最佳的平台,其优势主要有以下几点:
简单、重复、可移植的部署到多种基础设施平台(笔记本电脑、训练的集群、生产线集群);
部署和管理松耦合的微服务;
按需伸缩。
机器学习的从业者会使用到很多不同类型的工具,但是他们有一个关键的目标,那就是可以根据自己的需求定制软件栈(在合理范围内),并让系统去处理“无聊的事情”。
最终,谷歌是希望能够有一份足够简单的清单,让人们可以轻松的在任何运行 Kubernetes 的地方使用机器学习,并且可以根据所部署的集群进行自我配置。
目前 Kubeflow 的 GitHub 仓库所包括的内容有:
一份 JupyterHub ,用于交互式的创建和管理 Jupyter 笔记;
一个 TensorFlow 训练控制器,可以一键设定,配置使用 CPU 和 GPU 以及调整集群的规模;
一个 TF 服务容器。
可能会有开发者有疑问,凭什么认为 Kubeflow 就比自己做的 Docker 镜像更为优秀呢?
对此,Kubeflow 强调,假如你已经是 Kubernetes 的资深用户了,想使用机器学习的话,Kubeflow 可以帮助到你,它可以让人们采用一致的工具链,而无需做更多额外的工作,而且具有很好的扩展性。
但如果你只是 Kubernetes 的简单用户,仅仅拥有单一的容器和简易的工作流,Kubeflow 又显得有点复杂。这个时候,可能 Google Cloud ML 引擎更适合,尤其是希望在云中运行并不需要太多操作的用户。
因此,我们给出的建议是:一般来说,如果你的服务或系统大于 5 个,想要创建机器学习软件栈的话,那么 Kubeflow 将会是最佳选择,可以有效的简化你的工作量。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线
笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
该免费文章来自《极客视点》,如需阅读全部文章,
请先领取课程
请先领取课程
免费领取
© 版权归极客邦科技所有,未经许可不得传播售卖。 页面已增加防盗追踪,如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示,欢迎踊跃留言。
收起评论