Kubeflow 1.0使用Kubernetes解决了机器学习工作流程

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：集成，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使数据科学家能够在Kubernetes上建立机器学习工作流程，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。 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发行版提供工具，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，而且为开发和研究工作提供可重复性，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。
几个Kubeflow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。 版权所有©2020 IDG Communications，Inc. 紧贴InfoWorld的最新新闻稿，内容涉及软件开发人员，分析师，数据库程序员和数据科学家。
从我们仅限会员的内幕文章中获取专家见解。