k8s
未读
五、Training a ML Model
训练通常被认为是机器学习工作中的“核心”部分。我们的目标是创建一个能够准确预测未见结果的函数（即“模型”）。直观上，模型训练与人类学习新技能的过程非常相似——我们观察、练习、纠正错误，并逐步改进。在机器学习中，我们从一个初始模型开始，这个模型可能表现不佳。然后，我们通过一系列训练步骤来优化模型，将训
k8s
未读
四、Artifact and Metadata store
机器学习通常涉及处理大量原始和中间（转换）数据，最终目标是创建和部署模型。为了理解我们的模型，有必要能够探索用于其创建和转换的数据集。这些数据集的集合和应用于它们的转换称为我们模型的元数据 。 有许多不同的选项用于跟踪模型的元数据。Kubeflow为此有一个内置工具，称为Kubeflow ML元数据
k8s
未读
三、Kubeflow Pipelines
在上一章中，我们描述了Kubeflow管道，它是Kubeflow中用于编排ML程序的组件。编排是必要的，因为典型的机器学习实现使用工具的组合来准备数据、训练模型、评估性能和部署。通过在代码中形式化步骤及其排序，管道允许用户正式捕获所有数据处理步骤，确保它们的可再现性和可审计性，以及培训和部署步骤。
k8s
未读
二、Kubeflow架构
1、Notebooks (JupyterHub) 大多数项目的第一步是某种形式的原型和实验。Kubeflow用于此目的的工具是JupyterHub——一个多用户中心，可以生成、管理和代理单用户Jupyter notebook的多个实例。Jupyter notebook支持整个计算过程：开发、记录和执
k8s
未读
一、KubeFlow概述
参考书籍：《Kubeflow for Machine Learning From Lab to Production》 模型开发生命周期（Model development life cycle）（MDLC）是一个通常用于描述训练和推理之间的流程的术语。在触发模型更新时，整个循环再次开始。 Kube
k8s
未读
Kubernetes DNS
Kubernetes 网络权威指南：基础、原理与实践 Kubernetes Master 存储了所有 Service 的定义和更新。但是，要与后端 Pod 通信的客户端 Pod 在使用 Service 实现负载均衡时也需要知道这些请求会发送到何处。这些 Pod 可以将网络信息存储在容器环境变量中，但
k8s
未读
Docker 网络的4种模式
Kubernetes 网络权威指南：基础、原理与实践 我们在使用 docker run 命令创建 Docker 容器时，可以使用 --network选项指定容器的网络模式。 Docker 有以下4种网络模式： bridge 模式，通过--network=bridge 指定； host 模式，通过--
最新评论
altair /
小蜗牛 /
wenhaoyuan /
秦秦秦秦 /
秦秦秦秦 /
