Daniel Whitenack在最近举行的北美2017 KubeCon+CloudNativeCon大会上分享了如何使用TensorFlow和Kubernetes进行基于GPU的深度学习。

他以物体检测为例子介绍了一种典型的人工智能工作流程。该工作流程包括预处理、模型训练、模型生成和模型推理。这些步骤都可以运行在Docker容器里。

模型训练一般是通过框架来完成的，如TensorFlow或Caffe。在这一阶段，GPU可用于帮助提升性能。深度学习在使用TensorFlow或其他框架时，需要借助GPU在图像数据上训练模型。

模型训练可以运行在Kubernetes集群的GPU节点上。Kubernetes为多GPU节点提供了一个非常好的框架，按照如下步骤可实现更好的工作流：

该工作流程也可以用于跟踪哪个版本的代码和数据产生了哪些结果（用于调试、维护和合规的目的）。

Kubernetes为此提供了基础支持，也因为它具备了可移植性和可伸缩性，所以非常适用于机器学习项目。

Whitenack介绍了一个叫作Pachyderm的开源项目，它支持数据管道，并为Kubernetes提供了数据管理层。工作流中一般会包含多个数据预处理和后处理作业。Pachyderm提供了统一的框架用于调度多步骤工作流、数据管理和向GPU分配工作负载。

Pachyderm框架的特性包括：

Whitenack在现场进行了演示，使用Pachyderm和Kubernetes实现了一个AI工作流。示例应用程序实现了图像到图像的转换，将卫星图自动转成地图。他在例子中使用TensorFlow进行模型训练和推理。

如果读者对Pachyderm框架感兴趣，可以参考机器学习示例、开发者文档、Kubernetes GPU文档，或者直接加入Slack通道。

查看英文原文：Building GPU Accelerated Workflows with TensorFlow and Kubernetes