AutoML

论文介绍：Towards MLOps: A Case Study of ML Pipeline Platform 我们从现有的CICD工具和Kubeflow中构建了一个具有DevOps能力的功能性ML

关于Kubeflow Pipeline当前的不足与未来创新点的一些想法 Kubeflow pipeline目前仍存在哪些不足？ 并发性能不足：由于Kubeflow Pipeline的并发性能不足，当有

上学期主要工作：用懂Kuebeflow。 下学期考虑方向：读懂Kubeflow。 这是Kubeflow的项目源码： 主要分为这几个模块： Kubeflow/Kubeflow ：Machine Lear

本学期主要工作如下： 第一周 首先就当前MLOps主流平台（如MLFlow、KubeFlow等）的功能、异同、优劣、特点等展开调研： 经组内讨论后，组里将Kubeflow作为平台的首要考虑对象。 第二

主要对比一下Amazon SageMaker和Kubeflow使用体验的异同。 想要快速上手体验，用Studio或者Notebook就行了。 Studio对experiment、AutoML等功能做了

经过一个月的努力，围绕Mnist手写数字识别任务，我们已经逐渐在Kubeflow上搭建了一个完整可用的Pipeline，并摸清了Kubeflow一些核心组件的基础用法。 本章将解决之前的一点遗留问题，

本周完成第三部分： 通过Elyra完成Pipeline的图形化构建。 Elyra的构建逻辑：如何在每个环节替代原生构建方法？ 组件的运行环境 如上图，将Pipeline分为三个部分： 下载数据 训练模

Katib Katib 是一个用于自动化机器学习 (AutoML) 的 K8s 原生项目。Katib 支持超参数调整、提前停止和神经架构搜索 (NAS)。 Katib 是一个与机器学习 (ML) 框架

已经解决的ELyra存在的问题： Generic component execution fails due to AttributeError: module 'packaging.version'

在本地以容器形式运行Elyra Notebook。 此时，在虚拟机上便可以访问Elyra Notebook Container。 在Virtual Box上设置主机与虚拟机的端口映射，便可以在主机上输

第二步：构建完整的Pipeline 构建一个完整的Pipeline，分为三个部分： 下载数据 训练模型 上传模型 为了便于今后数据集的存储与下载，以及训练模型的保存与迭代，我们同时在腾讯云开通了Min

在KubeFlow上跑通一个基于Pytorch框架，解决Mnist(手写数字识别)任务的Pipeline