Публикации по теме 'kubeflow-pipelines'
Elyra 3.3: Конвейеры, пользовательские компоненты и каталоги
С выпуском версии 3.3 сообщество открытого исходного кода Elyra стало важной вехой в нашей дорожной карте, позволив пользователям создавать конвейеры с использованием пользовательских компонентов. В этом посте я кратко расскажу, что такое пользовательские компоненты и как их использовать.
Версия 3.6 включает расширенную поддержку встроенных и сетевых операторов Apache Airflow .
Визуальный конвейерный редактор — самая заметная функция Elyra. Он предоставляет пользователям..
Уклоняйтесь от злой ведьмы машинного обучения с помощью TensorFlow Extended (TFX)
Конвейеры машинного обучения создают проблемы для команд, которые их создают и поддерживают. Изменения данных с течением времени могут привести к неожиданным результатам, что приведет к ошибкам там, где вы не найдете их в другом программном обеспечении.
Даже если код не изменился, поведение системы может измениться, потому что данные, которые мы используем для обучения наших моделей, определяют наши прогнозы. Если данные, на основе которых мы делаем прогнозы сегодня, отличаются от..
Компоненты и конвейеры Kubeflow
Kubeflow - это большая экосистема, набор различных инструментов ML с открытым исходным кодом.
Я хочу, чтобы все было просто, поэтому мы рассмотрим компоненты, конвейеры и эксперименты. С конвейерами и компонентами вы получите основы, необходимые для построения рабочих процессов машинного обучения. В Kubeflow интегрировано еще много инструментов, и я расскажу о них в следующих статьях.
Kubeflow создан Google.
Делаем развертывание рабочих процессов машинного обучения (ML) в Kubernetes..
Контейнеризация вашего кода: конвейеры Docker и Kubeflow
Kubeflow Pipelines позволяет создавать, развертывать и управлять сквозными рабочими процессами машинного обучения. Чтобы использовать пользовательский код в конвейере, вам необходимо поместить его в контейнер с помощью Docker. Это гарантирует, что ваш код будет легко развертываться, масштабироваться и управляться Kubernetes, базовой инфраструктурой для Kubeflow. В этом руководстве мы проведем вас через контейнеризацию вашего кода Python с помощью Docker и его интеграцию в конвейер..
Развертывание моделей как RESTful API с использованием Kubeflow Pipelines и KFServing: пошаговое руководство
Развертывание моделей машинного обучения в виде RESTful API позволяет легко интегрироваться с другими приложениями и службами. Kubeflow Pipelines предоставляет платформу для создания и развертывания конвейеров машинного обучения, а KFServing — это проект с открытым исходным кодом, который упрощает развертывание моделей машинного обучения в качестве бессерверных служб логического вывода в Kubernetes. В этом руководстве мы рассмотрим, как развертывать модели как RESTful API с..
Масштабирование вашей игры машинного обучения: как Kubeflow Pipelines делает это возможным
Kubeflow — это платформа с открытым исходным кодом, целью которой является упрощение разработки, развертывания и управления рабочими процессами машинного обучения в кластерах Kubernetes. Kubernetes — широко используемая платформа с открытым исходным кодом для оркестрации контейнеров, которая позволяет пользователям автоматизировать управление, масштабирование и развертывание контейнерных приложений.
Компоненты Kubeflow
Некоторые из ключевых компонентов Kubeflow включают в себя:..
Создание конвейеров записных книжек с помощью Elyra и Kubeflow Pipelines
Как специалист по данным, вы, вероятно, широко используете Блокноты Jupyter для выполнения задач рабочего процесса машинного обучения, таких как исследование данных, обработка данных и обучение, оценка и настройка моделей. Многие из этих задач выполняются непрерывно, требуя от вас запускать записные книжки снова и снова.
Расширение Elyra ( https://github.com/elyra-ai/elyra ) JupyterLab недавно представило визуальный редактор конвейеров записной книжки, который можно использовать для..
