机器学习工具包Kubeflow 0.1版来了，扩大支援周遭机器学习工具

在Kubernetes日渐成为各大基础架构环境都要支援的共通工具时，其应用也逐渐在各个领域发酵，而该工具能调度庞大规模容器丛集的能力，也相当适合与机器学习、大数据等应用情境结合。而近日，由Google自家推出的Kubernetes机器学习工具包Kubeflow终于释出了0.1版。Google表示，虽然该专案仅成立5个多月，但是目前在GitHub上，已经有超过3,000名使用者收藏该专案，“而在GitHub平台的关注热度，Kubeflow目前已经到达前2%了。”

而Kubeflow专案中，共仰赖三个核心功能，让使用者更容易在Kubernetes丛集上执行机器学习应用。首先，Kubeflow支援开源专案JupyterHub，而JupyterHub专案，让工程师可以创建使用者共同存取的窗口（Hub）。同时，还能让开发者除了可以使用不同程式语言，同步进行机器学习应用开发，加速专案协作速度。

再者，就是TensorFlow训练控制元件（TensorFlow Training Controller），依据任务性质，开发者可以同时针对分散式、非分散式的TensroFlow应用，部署相对应的丛集资源。只要完成一次性设定，使用者可以就指定该应用，所需要的CPU、GPU资源。最后是TensorFlow Serving容器，让企业可以将训练完毕的TensorFlow模型，搬迁至Kubernetes环境中执行。

而新释出的0.1版，除了上述核心功能外，也开始扩大支援周遭的开源机器学习生态系工具。像是整并Argo专案，这款主打容器原生的workflow引擎，可以在任何Kubernetes丛集上运作外，该工具在资源调度上的自由，也比VM或是其他传统服务器环境更高。同时，利用容器技术，Argo将每个单一workflow，定义成单一容器执行，如此一来，企业就可以使用Kubernetes执行高密度的运算工作，像是数据处理、机器学习等任务。

另外一款工具则是开源机器学习部署平台Seldon Core，让机器学习模型可以部署于Kubernetes上运作。而Seldon Core的目标，要让资料科学家可以用任何工具包、程式语言建立机器学习模型。现阶段该工具的支援模型，包含以Python为基础的TensorFlow、Sklearn，还有Spark、H2O、R等知名模型。此外，Seldon Core也让机器学习模型可支援REST、gRPC，让使用者可以更简单地整合相关企业应用。

不仅如此，Kubeflow 0.1版还有许多有意思的新功能、新特色。例如，它也开始实验性地支援深度学习框架Caffe2，让这款框架也能在Kubernetes上执行，或是改善TensorFlow的训练效能、利用身份验证功能增进安全性，以及加强复杂资料流管理等。而Google也已经预告，Kubeflow 0.2版将在今年夏季时释出。除了要简化初始设定工作、加速整合其他应用外，还想要支援更多不同的机器学习框架，例如Spark、XGBoost、Sklearn等。