摘要：随着Kubernetes成为所有主要基础架构环境都必须支持的公共工具，其应用程序在各个领域中逐渐发酵，该工具调度大型容器集群的能力也非常适合机器学习，大数据等。应用方案的组合。随着Kubernetes逐渐成为受所有主要基础架构环境支持的公共工具，其应用已逐渐在各个领域发酵，并且该工具调度大型容器集群的能力也非常适合机器学习，大数据等。应用程序场景的组合。最近，由Google发布的Kubernetes机器学习工具包Kubeflow终于发布了版本0.1。谷歌表示，尽管该项目仅成立了5个月以上，但已有3,000多名用户在GitHub上为该项目添加了书签。 “ Kubeflow在GitHub平台上的受欢迎程度现已达到2％。 ＆amp; rdquo;＆nbsp; ＆amp; nbsp; ＆amp; nbsp; ＆nbsp; Kubeflow项目依赖于三个核心功能，使用户可以更轻松地在Kubernetes集群上执行机器学习应用程序。首先，Kubeflow支持开源项目JupyterHub，并且JupyterHub项目允许工程师创建一个用户可以一起访问的窗口（Hub）。同时，它还允许开发人员使用不同的编程语言来同时开发机器学习应用程序并加速项目协作。 ＆amp; nbsp; ＆amp; nbsp; ＆amp; nbsp;而且，它是TensorFlow Training Controller。根据任务的性质，开发人员可以同时为分布式和非分布式TensroFlow应用程序部署相应的群集资源。只要一次性设置完成，用户就可以指定应用程序所需的CPU和GPU资源。最后，TensorFlow Serving容器允许企业将训练有素的TensorFlow模型重新定位到Kubernetes环境中以执行。 ＆amp; nbsp; ＆amp; nbsp; ＆amp; nbsp;除了上述核心功能之外，新发布的版本0.1也已开始扩展对周围开源机器学习生态系统工具的支持。像Argo项目的集成一样，这个主要的容器本机工作流引擎可以在任何Kubernetes集群上运行。与VM或其他传统服务器环境相比，该工具在资源调度方面具有更大的自由度。同时，Argo使用容器技术将每个工作流程定义为一个容器执行，因此公司可以使用Kubernetes执行高密度计算任务，例如数据处理，机器学习和其他任务。 ＆amp; nbsp; ＆amp; nbsp; ＆amp; nbsp;另一个工具是开源机器学习部署平台Seldon Core，该平台允许在Kubernetes上部署和运行机器学习模型。 Seldon Core的目标是使数据科学家能够以任何工具箱或编程语言创建机器学习模型。在此阶段，该工具受支持的模型包括基于Python的TensorFlow和Sklearn，以及知名模型（例如Spark，H2O和R）。此外，Seldon Core还允许机器学习模型支持REST和gRPC，使用户可以更轻松地集成相关的企业应用程序。 ＆amp; nbsp; ＆amp; nbsp; ＆amp; nbsp; ＆nbsp;不仅如此，Kubeflow 0.1版还具有许多有趣的新功能。例如，它也已经开始实验性地支持深度学习框架Caffe2，以便该框架也可以在Kubernetes上执行，或提高TensorFlow的训练性能，使用身份验证功能来增加安全性并加强对复杂数据的管理流。谷歌还宣布，Kubeflow 0.2版将于今年夏天发布。除了简化初始设置工作并加速其他应用程序的集成之外，它还希望支持更多不同的机器学习框架，例如Spark，XGBoost，Sklearn等。