谷歌再為機器學習貢獻利器 並支持周邊機器學習工具

在Kubernetes日漸成為各大基礎架構環境都要支持的公用工具時，其應用也逐漸在各個領域發酵，而該工具能調度龐大規模容器集群的能力，也相當適合與機器學習、大數據等應用場景結合。而近日，由Google自家推出的Kubernetes機器學習工具包Kubeflow終於發布了0.1版。 Google表示，雖然該項目僅成立5個多月，但是目前在GitHub上，已經有超過3,000名用戶收藏該項目，「而在GitHub平台的關注熱度，Kubeflow目前已經到達前2%了。」

而Kubeflow項目中，共依賴三個核心功能，讓用戶更容易在Kubernetes集群上執行機器學習應用。首先，Kubeflow支持開源項目JupyterHub，而JupyterHub項目，讓工程師可以創建用戶共同訪問的窗口（Hub）。同時，還能讓開發者除了可以使用不同程序語言，同步進行機器學習應用開發，加速項目協作速度。

再者，就是TensorFlow訓練控制項（TensorFlow Training Controller），依據任務性質，開發者可以同時針對分散式、非分散式的TensroFlow應用，部署相對應的集群資源。只要完成一次性設置，用戶可以就指定該應用，所需要的CPU、GPU資源。最後是TensorFlow Serving容器，讓企業可以將訓練完畢的TensorFlow模型，搬遷至Kubernetes環境中執行。

而新發布的0.1版，除了上述核心功能外，也開始擴大支持周邊的開源機器學習生態系統工具。像是整合Argo項目，這款主打容器原生的workflow引擎，可以在任何Kubernetes集群上運行外，該工具在資源調度上的自由，也比VM或是其他傳統伺服器環境更高。同時，利用容器技術，Argo將每個單一workflow，定義成單一容器執行，如此一來，企業就可以使用Kubernetes執行高密度的運算工作，像是數據處理、機器學習等任務。

另外一款工具則是開源機器學習部署平台Seldon Core，讓機器學習模型可以部署於Kubernetes上運行。而Seldon Core的目標，要讓數據科學家可以用任何工具包、程序語言創建機器學習模型。現階段該工具的支持模型，包含以Python為基礎的TensorFlow、Sklearn，還有Spark、H2O、R等知名模型。此外，Seldon Core也讓機器學習模型可支持REST、gRPC，讓用戶可以更簡單地集成相關企業應用。

不僅如此，Kubeflow 0.1版還有許多有意思的新功能、新特色。例如，它也開始實驗性地支持深度學習框架Caffe2，讓這款框架也能在Kubernetes上執行，或是改善TensorFlow的訓練性能、利用身份驗證功能增進安全性，以及加強複雜數據流管理等。而Google也已經預告，Kubeflow 0.2版將在今年夏季時發布。除了要簡化初始設置工作、加速集成其他應用外，還想要支持更多不同的機器學習框架，例如Spark、XGBoost、Sklearn等。

來自：十輪網

- 加入AI學院學習 -

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！