Портативность и масштабируемость: вышла Kubeflow 0.1 для фреймворка Kubernetes
Kubeflow, по мнению разработчиков, способен облегчить пользователям работу с системами машинного обучения на кластерах Kubernetes. Проект использует возможности JupiterHub и TensorFlow.
Google анонсировала Kubeflow 0.1 — систему с открытым исходным кодом для автоматизации развертывания, масштабирования и управления контейнеризованными приложениями. С момента первого анонса в декабре 2017 года проект на GitHub пополнился более чем на 700 коммитов в 15 репозиториях.
Для чего нужен Kubeflow?
Kubeflow позволяет командам, занимающимся машинным обучением, присоединять свои проекты к кластеру, упрощая настройку и управление системой в среде Kubernetes.
Основными компонентами, включенными в версию 0.1 являются:
- JupyterHub, предназначенный для создания и управления интерактивной средой Jupyter Notebook;
- TensorFlow Custom Resource (CRD), который может быть настроен для работы с центральными или графическими процессорами и подстроен под размер кластера;
- контейнер для TensorFlow Serving — гибкой системы для развертки моделей машинного обучения, которая упрощает развертывание новых алгоритмов, сохраняя одинаковую архитектуру сервера и API.
Также в Kubeflow 0.1 включены движок для рабочего процесса Argo, фреймворк SeldonCore и API Ambassador для обратного прокси.
Руководитель Kubeflow Дэвид Арончик (David Aronchick) подчеркивает, что пользователи не будут ограничены функциональностью только TensorFlow и JupyterHub. По его словам, проект только начал развиваться и постепенно в нем появятся новые инструменты.
Напомним, что в марте 2018 года Google запустила бесплатный курс по машинному обучению, который основан на системе TensorFlow.