RiseML bringt Deep Learning zu Kubernetes
Die Plattform für Deep Learning mit Kubernetes RiseML erreicht Version 1.0 und öffnet sich damit für die Öffentlichkeit. Entwickler sollen damit Deep-Learning-Experimente in einem Kubernetes-Cluster ausführen und verwalten können.
RiseML bringt Deep Learning zu Kubernetes: mit unterschiedlichen Frameworks.
(Bild: RiseML)
- Björn Bohn
Version 1.0 von RiseML, einer Plattform für Deep Learning mit Kubernetes, ist erschienen und kennzeichnet den Start der neuen Plattform. Dem offiziellen Blogpost zufolge können Entwickler damit einzelne GPU-Server als ein Compute-Cluster behandeln und die Ressourcen für maschinelles Lernen nutzbar machen.
Der Aufbau von RiseML
Laut der Dokumentation des Projekts besteht RiseML im Wesentlichen aus drei Bereichen: einer Befehlszeile (CLI), einem RiseML-Backend und Kubernetes als Cluster-Orchestrierungs-Framework. Kubernetes managt die Knoten eines Clusters und gewährt Zugang zu den GPUs, die in den Nodes präsent sind.
(Bild: RiseML)
Das Backend besteht aus mehreren Komponenten, die auf Kubernetes aufsetzen. Beispielsweise kümmert sich RiseML um die Versionierung, sammelt Log-Dateien und verfolgt den Status der laufenden Experimente. Mit einer API können externe Applikationen wie das CLI auf die Cluster zugreifen und sie kontrollieren. Alle durchgeführten Experimente in RiseML laufen in Linux-Containern.
Interface für Machine-Learning-Entwickler
RiseML abstrahiert also die Rechenleistung eines Clusters und bietet ein Interface an, das auf Machine-Learning-Entwickler zugeschnitten ist. Mit RiseML sollen Entwickler Experimente parallel vorbereiten, ausführen und beobachten können. Außerdem kann beispielsweise eine Hypeparameter-Optimierung einfach eingeschaltet werden. Wer bereits ein Kubernetes-Cluster aufgesetzt hat, kann RiseML neben der existierenden Infrastruktur nutzen, egal ob On-Premise oder in der Cloud.
RiseML unterstützt mehrere Machine-Learning-Frameworks, darunter TensorFlow und Keras. Ebenfalls können Entwickler RiseML in verschiedenen Umgebungen nutzen – vom physischen Server bis zur Cloud. Neben einer frei verfügbaren Community Edition, die auf einzelne Benutzer limitiert ist, gibt es auch eine Professional Edition für Teams – mit einem Preis von 249 US-Dollar im Monat pro Node. Weitere Details zum Produkt gibt es in der offiziellen Dokumentation. (bbo)
