ML-Pipelines erstellen

Bevor Sie Ihren ML-Prozess auf AI Platform Pipelines ausführen können, müssen Sie ihn als Pipeline definieren. Sie können Ihren ML-Prozess als Pipeline mithilfe von TensorFlow Extended (TFX) oder dem Kubeflow Pipelines SDK orchestrieren.

Dieses Dokument enthält eine Anleitung zur Auswahl der besten Option für die Erstellung Ihrer Pipeline sowie Ressourcen für die ersten Schritte.

Pipelines mit dem TFX SDK erstellen

TFX ist ein Open-Source-Projekt, mit dem Sie Ihren ML-Workflow als Pipeline definieren können. Derzeit können TFX-Komponenten nur Modelle auf der Grundlage von TensorFlow trainieren. TFX stellt Komponenten bereit, mit denen Sie u. a. Daten aufnehmen und transformieren, ein Modell trainieren und auswerten, ein trainiertes Inferenzmodell bereitstellen können. Mit dem TFX SDK können Sie eine Pipeline für Ihren ML-Prozess aus TFX-Komponenten erstellen.

So erstellen Sie Pipelines mit TFX-Pipelinevorlagen:

Pipelines mit dem Kubeflow Pipelines SDK erstellen

Das Kubeflow Pipelines SDK ist ein Open Source SDK, mit dem Sie komplexe benutzerdefinierte ML-Pipelines anhand von Containern erstellen können. Mit dem Kubeflow Pipelines SDK können Sie vordefinierte Komponenten wiederverwenden oder benutzerdefinierte Pipeline-Komponenten erstellen. Auf hoher Ebene können Sie Komponenten und Pipelines so erstellen:

  1. Den Code für jeden Schritt in Ihrem Workflow mithilfe Ihrer bevorzugten Sprache und Tools erstellen
  2. Docker-Container-Image für den Code jedes Schritts erstellen
  3. Python zum Definieren Ihrer Pipeline mit dem Kubeflow Pipelines SDK verwenden

So erstellen Sie Pipelines mit dem Kubeflow Pipelines SDK:

Nächste Schritte