kubeflow fairing详解

官方git地址:https://github.com/kubeflow/fairing

backends

backends为k8s集群,可以是local,也可以是各种云的k8s服务。

builders

builders为构建镜像的模块。

append为在原有镜像层的基础上添加一层封装

cluster 为在k8s集群中构建镜像

azurestorage_context 微软存储服务
cos_context ibm的存储服务
gcs_context 谷歌云存储
minio_context 是一个对象存储服务(可以用来存储镜像)。它兼容亚马逊s3云存储服务接口,非常适合于存储大容量非结构化的数据,例如图片、视频、日志文件、备份数据和容器/虚拟机镜像等,而一个对象文件可以是任意大小,从几kb到最大5t不等。
s3_context 亚马逊的对象存储服务。

docker 为使用本机docker命令构建镜像

podman 方式

podman创建的容器不需要守护进程,且可以用普通用户创建容器。Podman 中的大部分命令的使用方式与 Docker 相同,

constants 中定义了所有的默认值

deployers 部署k8s资源

gcp 谷歌云平台

job 部署分布式任务,派生PyTorchJob,tfjob,需要有对应的PyTorchJob-operator,tfJob-operator。 使用job的话,自己删除deploy就行,如果使用PyTorchJob,tfjob的话,就需要删除tfjob,PyTorchJob这种自定义k8s资源。

fairing中的 serving 直接部署 k8s的deploy和service,自己手动删除deploy和service就行。

fairing中的kfserving 使用Kubeflow KFServing部署服务化。主要调用外部组件kfserving实现
serving 使用k8s deployment和service部署服务化。

ml_tasks

高等级别ml训练和服务化任务。

你可能感兴趣的:(python系列课程,快速学习实战应用,kubeflow,fairing,自动化部署,builder)