AI Platform Pipelines 简介

机器学习 (ML) 工作流包括准备和分析数据、训练和评估模型、将训练过的模型部署到生产、跟踪 ML 工件和了解它们的依赖关系等步骤。以临时方式管理这些步骤可能非常困难且耗时。

MLOps 是应用 DevOps 实践来帮助自动化、管理和审核机器学习工作流的做法。AI Platform Pipelines 通过提供一个平台来帮助您实现 MLOps，在这个平台上，您可以将流程中步骤编排为流水线。机器学习流水线是机器学习工作流可移植且可复制的定义。

通过简化使用 TensorFlow Extended (TFX) 设置 Kubeflow 流水线的难度，您可以借助 AI Platform Pipelines 更轻松地启用 MLOps。Kubeflow Pipelines 是一个开放源代码平台，用于在 Kubernetes 上运行、监控、审核和管理机器学习流水线。TFX 是一个开源项目，用于构建机器学习流水线，该流水线可编排端到端机器学习工作流。

关于 Kubeflow 和 Kubeflow Pipelines 平台

Kubeflow 是一个用于在 Kubernetes 上运行机器学习工作负载的开源工具包。Kubeflow Pipelines 是 Kubeflow 的一个组件，它提供了构建和部署机器学习工作流程的平台，即流水线。

关于 TensorFlow Extended

TFX 是一个开源项目，可用于将基于机器学习工作流的 TensorFlow 定义为流水线。TFX 提供了可重复用于注入和转换数据、训练和评估模型、部署经过训练的推断模型等的组件。通过重复使用 TFX 组件，您无需为每个步骤构建自定义组件即可编排机器学习过程。

关于 AI Platform Pipelines

AI Platform Pipelines 为您解决了以下困难：

使用 AI Platform Pipelines，您可以在 15 分钟内设置 Kubeflow Pipelines 集群，以便快速开始使用机器学习流水线。AI Platform Pipelines 还创建了一个 Cloud Storage 存储桶，以便更轻松地运行流水线教程和启用TFX 流水线模板。

了解机器学习流水线

机器学习流水线是基于容器的便携式、可扩展的机器学习工作流。机器学习流水线由一组输入参数和任务列表组成。每个任务都是流水线组件的一个实例。

您可以使用机器学习流水线进行以下操作：

  • 应用 MLOps 策略自动执行可重复的流程。
  • 通过运行不同超参数集、训练步数或迭代次数等的机器学习工作流进行实验。
  • 重新使用流水线工作流来训练新模型。

您可以使用 TensorFlow Extended 流水线模板或 Kubeflow Pipelines SDK 来构建流水线。

了解流水线组件

流水线组件是自包含代码集，该代码集可在流水线工作流中执行一个步骤，例如数据预处理、数据转换、模型训练等。

组件由一组输入参数、一组输出和容器映像的位置组成。组件的容器映像是一个软件包，其中包含组件的可执行代码和代码运行环境的定义。

了解流水线工作流

流水线中的每个任务都会在流水线的工作流中执行一个步骤。由于任务是流水线组件的实例，因此任务包含输入参数、输出和容器映像。任务输入参数可以根据流水线的输入参数设置，也可以根据此流水线中其他任务的输出进行设置。Kubeflow Pipelines 利用这些依赖关系将流水线工作流定义为有向非循环图。

例如，假设某个流水线具有以下任务：

  • 预处理：此任务会准备训练数据。
  • 训练：此任务使用预处理的训练数据训练模型。
  • 预测：此任务将经过训练的模型部署为机器学习服务，并获取测试数据集的预测。
  • 混淆矩阵：此任务使用预测任务的输出来构建混淆矩阵。
  • ROC：此任务使用预测任务的输出来执行接收者操作特征 (ROC) 曲线分析。

为了创建工作流程图，Kubeflow Pipelines SDK 会分析任务依赖关系。

  • 预处理任务不依赖于任何其他任务，因此它可以是工作流中的第一个任务，也可以与其他任务同时运行。
  • 训练任务依赖于预处理任务产生的数据，因此必须在预处理后进行训练。
  • 预测任务依赖于由训练任务产生的经训练模型，因此必须在训练任务后进行预测。
  • 构建混淆矩阵和执行 ROC 分析都依赖于预测任务的输出，因此它们必须在预测完成之后进行。构建混淆矩阵和执行 ROC 分析可以同时进行，因为它们都依赖于预测任务的输出。

根据此分析，Kubeflow Pipelines 系统按顺序运行预处理、训练和预测任务，然后同时运行混淆矩阵和 ROC 任务。

后续步骤