- Часть 1: MLOps , инструменты для оркестровки и основы для понимания конвейеров Kubeflow
- Часть 2: Введение в конвейеры Kubeflow с примерами
- Часть 3: Сквозная реализация машинного обучения с использованием Vertex AI (управляемый Kubeflow)
- Apache Airflow
- Конвейеры Kubeflow (использует оркестровку Argo)
- Луиджи и т. Д.
- Конвейеры Kubeflow позволяют создавать переносимые масштабируемые рабочие процессы машинного обучения.
- Каждый этап рабочего процесса машинного обучения имеет разные системные требования (Извлечение / обработка данных могут потребоваться кластеры Hadoop, для обучения модели потребуется ЦП / ГП, а для обслуживания модели - высокодоступные машины ГП / ЦП). Идеальный сценарий - построить эту систему поверх Kubernetes (из-за различных требований к системе) с контейнеризацией отдельных шагов. Но для этого требуется большой опыт в создании масштабируемой системы поверх Kubernetes, и именно здесь на помощь приходят конвейеры Kubeflow (к вашему сведению, то же самое можно сделать и с помощью Airflow Docker Operator).
- Кроме того, понимание Конвейеры Kubeflow становятся важными, поскольку управляемые конвейеры облачных провайдеров (Vertex AI (GCP) и Sagemaker (AWS)) построены на основе конвейеров Kubeflow
# P10 ## P11 #
# P16 ## P17 # # P18 # # P19 # # P20 # # P21 # src = 'https: //gist.github.com/Kailash-Thiyagarajan/f2ee1d21df1e0947176895991384443b.js'>
FROM
сообщает Docker, на каком образе вы основываете свой образ (в примере le, Python 3.6).COPY
все из вашего текущего каталога в папку / appRUN
сообщает Docker, какие дополнительные команды следует выполнить.CMD
сообщает Docker для выполнения команды при загрузке изображения.
$ docker images
$ docker run -d -p 5000:5000 <docker_image_id>
docker stop ‹continaer_id› # останавливает запущенный контейнер docker rm ‹container_id› # удаляет контейнер docker rmi ‹image_id› # удаляет образ докера
# P30 ## P31 # # P32 # # P33 # # P34 # # P35 # # P36 #
# P37 #
Если вам понравилась статья, поставьте 👏!
Использованная литература: