前文回顾​

Kubernetes 理论与实践-1-基础-Pods, ReplicaSets, Services, Deployments

一点历史​

• 在物理服务器时代，基础设施管理和部署是合在一起的，因为所有的设置是不可变的，只要安装后基本不会改变；有了 VM 和 镜像后，基础设置管理和部署可以分开，这就能够让原本在福 wish 昂不可变的应用设置获得一定程度的可变性。
• 后来，Chef, Puppet, Ansible 陆续发展以支持基础设施管理(基础设施状态管理)，但是却没有花更多到部署那块。为了支持可变性，Packer 应运而生；发展至今，现在的答案是 Terraform, Packer, CloudFormation。
• 部署流程中，在 Docker 和容器没有出现之前，我们有 Linux 和 cGroup，但是它很难用；再之前是一堆专注于基础设置管理的软件(Puppet, CFEngine, SALTSTACK, Chef, Ansible)。
• Docker(容器运行时) 和容器的出现，保证了 容器景象是不可变的情况下，给部署流程带来拥抱可变性的可能；容器很好，不过直接运行容器并不会让你获得高容错和自愈功能，因此需要有一个东西充分利用和安排它们配置到合适的地点，从而体现出扩展性、高稳定性和高可用性。
• 有了容器之后，部署流程可变后，Schdulers 调度器程序 (MESOS, MARATHON, Docker Swarm, Kubernetes) 应运而生；调度器管理一个集群内多个应用之间的部署交互；

Kubernetes 特性​

Kubeflow 是一个基于 Kubernetes 的端到端机器学习平台，集成了多个开源工具和组件，覆盖了从数据准备到模型部署的全流程。以下是  Kubeflow 常用的核心组件及其作用，按功能模块分类整理：

在  Kubernetes + Kubeflow  环境中确保模型训练可靠，需贯穿  数据 → 训练 → 评估 → 部署  全链路的验证：

流程阶段​

• 数据阶段: 自动化质量检查 + 特征一致保障
• 训练阶段: 实时监控 + 分布式协调 + 检查点容灾
• 评估阶段: 性能/可解释性/飘逸检测 (Drift detection) 三层次验证
• 运维层面: k8s 自愿隔离 + Kubeflow 流水线自动化测试

解决的问题​

之前的输入全部是以一个向量作为输入，如何处理输入是一排不定数量的向量呢？

可能的输入​

文字输入句子，语音信号，关系图(人际关系，分子结构)

可能的输出​

• Each vector has a label (label: value type for regression problem, class type for classification problem)
• 应用: 分析文字的词性，分析声音信号里面的 phonetic，分析 social network 中每个节点的特性，比如电商环境里面分析某个人会不会购买某个商品。

Sequence-to-sequence model (Seq2seq)​

• The output length is determined by model.
• 应用: Speech Recognition, Machine Translation, Speech Translation

Present version 1 - Convolutional Layer​

Image Classification​

对电脑来说，一张图片是一个三维的 Tensor(维度大于 2 的矩阵 --> Tensor)。

概念​

Critical Points​

• Local minima
• Local maxima
• Saddle point (马鞍)

基本概念​

• Linear model($b + wx$)
• Sigmoid $[ y = b + \sum_i c_i \, \text{sigmoid} \left( b_i + \sum_j w_{ij}x_j \right) ]$

最近在思考比亚迪是不是可以投资，所以特别在年中的时候，做一些网络资讯的收集和一些个人认识。