menu
arrow_back

Kubeflow de bout en bout

Kubeflow de bout en bout

Hours Minutes 9 Credits

GSP221

Google Cloud – Ateliers adaptés au rythme de chacun

Aperçu

14df38356117980d.png

Kubeflow est un kit d'outils de machine learning pour Kubernetes. Ce projet vise à simplifier le déploiement des processus de machine learning (ML) sur Kubernetes, et à les rendre portables et évolutifs. L'objectif est de proposer un outil permettant de déployer les meilleurs systèmes Open Source pour le ML sur des infrastructures diverses.

Un déploiement Kubeflow est :

  • Portable : compatible avec tous les clusters Kubernetes, qu'ils soient hébergés sur Google Cloud Platform (GCP), sur site ou auprès d'autres fournisseurs.
  • Évolutif : peut utiliser des ressources variables et n'est restreint que par le nombre de ressources allouées au cluster Kubernetes.
  • Composable : doté de service workers qui lui permettent de fonctionner hors connexion ou sur des réseaux de faible qualité.

Kubeflow vous permet de rassembler des microservices faiblement couplés dans une même unité et de les déployer à différents endroits (un ordinateur portable ou le cloud, par exemple). Cet atelier de programmation vous expliquera comment créer votre propre déploiement Kubeflow.

Objectifs de l'atelier

Dans cet atelier, vous allez créer une application Web qui résume des problèmes GitHub à l'aide d'un modèle entraîné. À la fin de cet atelier, votre infrastructure comprendra les éléments suivants :

  • Un cluster Kubernetes Engine contenant des installations standard de Kubeflow et de Seldon Core
  • Une tâche d'entraînement qui génère un modèle Keras à l'aide de Tensorflow
  • Un conteneur de diffusion fournissant des prédictions
  • Une interface utilisateur qui s'appuie sur le modèle entraîné pour produire des résumés de problèmes GitHub
  • Points abordés

    • Installation de Kubeflow
    • Exécution de l'entraînement avec le serveur de tâches Tensorflow pour générer un modèle Keras
    • Diffusion d'un modèle entraîné avec Seldon Core
    • Génération et utilisation de prédictions issues d'un modèle entraîné

    Prérequis

    Join Qwiklabs to read the rest of this lab...and more!

    • Get temporary access to the Google Cloud Console.
    • Over 200 labs from beginner to advanced levels.
    • Bite-sized so you can learn at your own pace.
    Join to Start This Lab
Score

—/100

Create a Cloud Storage bucket

Réaliser l'étape

/ 15

Create a cluster

Réaliser l'étape

/ 20

Install Kubeflow with Seldon on the cluster (verify pods)

Réaliser l'étape

/ 15

Apply the component manifests to the cluster in order to launch the training.

Réaliser l'étape

/ 15

Apply the component manifests to the cluster in order to launch the serving

Réaliser l'étape

/ 15

Delete the kubeflow-qwiklab deployment

Réaliser l'étape

/ 10

Delete the kubeflow-qwiklab-storage deployment

Réaliser l'étape

/ 10