Kubernetes和机器学习工作负载:硬核实践指南

news2026/4/29 23:42:09
Kubernetes和机器学习工作负载硬核实践指南 硬核开场各位技术老铁们今天咱们来聊聊Kubernetes和机器学习的那些事儿。别跟我说你还在本地跑模型训练那都2023年了现在玩机器学习容器化部署、分布式训练才是王道。Kubernetes作为容器编排的王者简直就是为机器学习工作负载量身定做的。今天susu就带你们一步步把ML workload跑在K8s上从单机到分布式从训练到推理全给你整明白 核心内容1. 为什么在Kubernetes上运行机器学习工作负载资源弹性根据训练需求自动扩缩容不用再为了一次性训练任务买高配机器环境一致性容器化确保训练和推理环境一致避免本地能跑线上崩了的尴尬多租户隔离团队共享集群资源按项目隔离资源利用最大化统一管理训练、推理、监控全在K8s里搞定运维成本直线下降2. 基础部署单机机器学习工作负载先从简单的开始咱们部署一个单机的TensorFlow训练任务。2.1 创建训练任务的Pod配置apiVersion: v1 kind: Pod metadata: name: tf-training labels: app: tf-training spec: containers: - name: tf-training image: tensorflow/tensorflow:2.10.0-gpu command: [python3] args: [-c, import tensorflow as tf; mnist tf.keras.datasets.mnist; (x_train, y_train), (x_test, y_test) mnist.load_data(); model tf.keras.models.Sequential([tf.keras.layers.Flatten(input_shape(28, 28)), tf.keras.layers.Dense(128, activationrelu), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10)]); model.compile(optimizeradam, losssparse_categorical_crossentropy, metrics[accuracy]); model.fit(x_train, y_train, epochs5); test_loss, test_acc model.evaluate(x_test, y_test, verbose2); print(\nTest accuracy:, test_acc)] resources: limits: nvidia.com/gpu: 1 volumeMounts: - name: data mountPath: /data volumes: - name: data emptyDir: {}2.2 部署并查看训练状态# 部署训练任务 kubectl apply -f tf-training.yaml # 查看训练日志 kubectl logs -f tf-training # 查看Pod状态 kubectl get pods tf-training3. 进阶分布式机器学习训练单机训练太慢安排咱们用Kubernetes部署分布式TensorFlow训练。3.1 创建分布式训练配置apiVersion: apps/v1 kind: Job metadata: name: tf-distributed-training spec: parallelism: 3 completions: 3 template: metadata: labels: app: tf-distributed spec: containers: - name: tf-worker image: tensorflow/tensorflow:2.10.0-gpu command: [bash, -c] args: - | if [ $POD_NAME tf-distributed-training-0 ]; then # 主节点 python3 -c import tensorflow as tf import os tf_config { cluster: { worker: [tf-distributed-training-0:2222, tf-distributed-training-1:2222, tf-distributed-training-2:2222] }, task: {type: worker, index: 0} } os.environ[TF_CONFIG] str(tf_config) strategy tf.distribute.MultiWorkerMirroredStrategy() with strategy.scope(): mnist tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) mnist.load_data() model tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape(28, 28)), tf.keras.layers.Dense(128, activationrelu), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10) ]) model.compile(optimizeradam, losssparse_categorical_crossentropy, metrics[accuracy]) model.fit(x_train, y_train, epochs5, batch_size64) print(Training completed!) else # 工作节点 python3 -c import tensorflow as tf import os import time worker_index int(os.environ[POD_NAME].split(-)[-1]) tf_config { cluster: { worker: [tf-distributed-training-0:2222, tf-distributed-training-1:2222, tf-distributed-training-2:2222] }, task: {type: worker, index: worker_index} } os.environ[TF_CONFIG] str(tf_config) strategy tf.distribute.MultiWorkerMirroredStrategy() with strategy.scope(): mnist tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) mnist.load_data() model tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape(28, 28)), tf.keras.layers.Dense(128, activationrelu), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10) ]) model.compile(optimizeradam, losssparse_categorical_crossentropy, metrics[accuracy]) model.fit(x_train, y_train, epochs5, batch_size64) print(fWorker {worker_index} completed!) fi env: - name: POD_NAME valueFrom: fieldRef: fieldPath: metadata.name resources: limits: nvidia.com/gpu: 1 restartPolicy: OnFailure3.2 部署分布式训练# 部署分布式训练任务 kubectl apply -f tf-distributed-training.yaml # 查看所有训练Pod kubectl get pods -l apptf-distributed # 查看主节点日志 kubectl logs -f tf-distributed-training-04. 模型服务部署TensorFlow Serving训练完模型总得部署服务吧安排用TensorFlow Serving在Kubernetes上部署模型推理服务。4.1 准备模型先把训练好的模型保存到存储卷里这里咱们用PVC。apiVersion: v1 kind: PersistentVolumeClaim metadata: name: model-pvc spec: accessModes: - ReadWriteOnce resources: requests: storage: 10Gi4.2 部署TensorFlow ServingapiVersion: apps/v1 kind: Deployment metadata: name: tf-serving labels: app: tf-serving spec: replicas: 2 selector: matchLabels: app: tf-serving template: metadata: labels: app: tf-serving spec: containers: - name: tf-serving image: tensorflow/serving:2.10.0 ports: - containerPort: 8501 volumeMounts: - name: model-volume mountPath: /models args: - --model_namemnist - --model_base_path/models/mnist resources: requests: cpu: 1 memory: 2Gi limits: cpu: 2 memory: 4Gi volumes: - name: model-volume persistentVolumeClaim: claimName: model-pvc --- apiVersion: v1 kind: Service metadata: name: tf-serving-service spec: selector: app: tf-serving ports: - port: 8501 targetPort: 8501 type: LoadBalancer4.3 测试模型服务# 部署服务 kubectl apply -f tf-serving.yaml # 查看服务状态 kubectl get svc tf-serving-service # 测试推理 MODEL_SERVICE_IP$(kubectl get svc tf-serving-service -o jsonpath{.status.loadBalancer.ingress[0].ip}) curl -X POST http://$MODEL_SERVICE_IP:8501/v1/models/mnist:predict -d {instances: [[[0.0, 0.0, 0.0, ..., 0.0]]]}5. 高级玩法使用Kubeflow管理机器学习工作流Kubernetes原生的配置玩腻了试试Kubeflow专为机器学习打造的K8s扩展。5.1 安装Kubeflow# 安装Kubeflow export KF_NAMEkubeflow export BASE_DIR/home/user/kubeflow export KF_DIR${BASE_DIR}/${KF_NAME} mkdir -p ${KF_DIR} cd ${KF_DIR} # 使用kfctl安装 wget -O kfctl.tar.gz https://github.com/kubeflow/kfctl/releases/download/v1.2.0/kfctl_v1.2.0-0-gbc038f9_linux.tar.gz tar -xvf kfctl.tar.gz # 部署Kubeflow ./kfctl apply -f https://raw.githubusercontent.com/kubeflow/manifests/v1.2-branch/kfdef/kfctl_k8s_istio.v1.2.0.yaml # 查看部署状态 kubectl get pods -n kubeflow5.2 使用Kubeflow Pipeline创建机器学习工作流# pipeline.py import kfp from kfp import dsl dsl.pipeline( nameMNIST Training Pipeline, descriptionA pipeline to train MNIST model on Kubernetes ) def mnist_training_pipeline(): # 数据准备 data_prep dsl.ContainerOp( nameData Preparation, imagetensorflow/tensorflow:2.10.0, command[python3, -c], arguments[import tensorflow as tf; mnist tf.keras.datasets.mnist; (x_train, y_train), (x_test, y_test) mnist.load_data(); import numpy as np; np.savez(\/data/mnist.npz\, x_trainx_train, y_trainy_train, x_testx_test, y_testy_test)] ) # 模型训练 training dsl.ContainerOp( nameModel Training, imagetensorflow/tensorflow:2.10.0-gpu, command[python3, -c], arguments[import numpy as np; data np.load(\/data/mnist.npz\); x_train, y_train, x_test, y_test data[x_train], data[y_train], data[x_test], data[y_test]; import tensorflow as tf; model tf.keras.models.Sequential([tf.keras.layers.Flatten(input_shape(28, 28)), tf.keras.layers.Dense(128, activation\relu\), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10)]); model.compile(optimizer\adam\, loss\sparse_categorical_crossentropy\, metrics[\accuracy\]); model.fit(x_train, y_train, epochs5); model.save(\/model/mnist_model\)] ) training.after(data_prep) # 模型评估 evaluation dsl.ContainerOp( nameModel Evaluation, imagetensorflow/tensorflow:2.10.0, command[python3, -c], arguments[import numpy as np; data np.load(\/data/mnist.npz\); x_test, y_test data[x_test], data[y_test]; import tensorflow as tf; model tf.keras.models.load_model(\/model/mnist_model\); test_loss, test_acc model.evaluate(x_test, y_test, verbose2); print(f\Test accuracy: {test_acc}\)] ) evaluation.after(training) if __name__ __main__: kfp.compiler.Compiler().compile(mnist_training_pipeline, mnist_pipeline.yaml)️ 最佳实践资源管理为训练任务设置合理的资源请求和限制使用节点亲和性将训练任务调度到GPU节点利用Kubernetes的自动扩缩容功能根据负载调整资源存储策略训练数据使用ReadWriteMany的存储类模型文件使用持久化存储确保训练结果不丢失考虑使用对象存储如S3、GCS存储大规模训练数据监控与日志部署Prometheus和Grafana监控GPU使用率和训练指标使用ELK栈收集和分析训练日志设置训练任务的健康检查和告警机制安全与隔离为不同的机器学习项目创建独立的命名空间使用RBAC控制对集群资源的访问对敏感数据进行加密存储和传输CI/CD集成建立模型训练和部署的CI/CD流水线自动测试模型性能并生成评估报告实现模型版本管理和回滚机制 总结Kubernetes不仅是容器编排的利器更是机器学习工作负载的理想运行环境。通过本文的实践你应该已经掌握了在Kubernetes上部署单机和分布式机器学习训练任务使用TensorFlow Serving部署模型推理服务利用Kubeflow管理端到端的机器学习工作流实施资源管理、存储策略、监控和安全的最佳实践记住技术的核心在于实践。别光看动手试试把你的机器学习模型部署到Kubernetes上体验一下云原生时代的机器学习工作流。有问题随时留言susu会第一时间回复你susu碎碎念分布式训练时节点间网络带宽很重要建议使用高速网络GPU资源珍贵训练完成后记得清理资源模型服务要考虑并发性能适当调整副本数Kubeflow虽然强大但部署复杂小团队可以从基础K8s开始觉得有用点个赞再走咱们下期见

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2526861.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…