摘要：在Kubernetes日漸成為各大基礎架構環(huán)境都要支持的公用工具時，其應用也逐漸在各個領域發(fā)酵，而該工具能調度龐大規(guī)模容器集群的能力，也相當適合與機器學習、大數(shù)據(jù)等應用場景結合。
 

在Kubernetes日漸成為各大基礎架構環(huán)境都要支持的公用工具時，其應用也逐漸在各個領域發(fā)酵，而該工具能調度龐大規(guī)模容器集群的能力，也相當適合與機器學習、大數(shù)據(jù)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終于發(fā)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(jīng)有超過3,000名用戶收藏該項目，“而在GitHub平臺的關注熱度，Kubeflow目前已經(jīng)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(zhí)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(chuàng)建用戶共同訪問的窗口（Hub）。同時，還能讓開發(fā)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(fā)，加速項目協(xié)作速度。

       再者，就是TensorFlow訓練控件（TensorFlow Training Controller），依據(jù)任務性質，開發(fā)者可以同時針對分布式、非分布式的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。最后是TensorFlow Serving容器，讓企業(yè)可以將訓練完畢的TensorFlow模型，搬遷至Kubernetes環(huán)境中執(zhí)行。

       而新發(fā)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(tài)系統(tǒng)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(tǒng)服務器環(huán)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(zhí)行，如此一來，企業(yè)就可以使用Kubernetes執(zhí)行高密度的運算工作，像是數(shù)據(jù)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臺Seldon Core，讓機器學習模型可以部署于Kubernetes上運行。而Seldon Core的目標，要讓數(shù)據(jù)科學家可以用任何工具包、程序語言創(chuàng)建機器學習模型?，F(xiàn)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(yè)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(zhí)行，或是改善TensorFlow的訓練性能、利用身份驗證功能增進安全性，以及加強復雜數(shù)據(jù)流管理等。而Google也已經(jīng)預告，Kubeflow 0.2版將在今年夏季時發(fā)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。