Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com1. Juli 2019 · Q011117

Kubeflow Pipelines With GPUs

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Beitrag erklärt Kubeflow Pipelines anhand eines GPU-gestützten ResNet-50-Beispiels: Container übernehmen Bildvorverarbeitung, Training und Bereitstellung; TensorFlow-TensorRT und der TensorRT Inference Server sollen die Inferenz beschleunigen und skalieren. Die versprochenen Vorteile für Modularität und Leistung werden beschrieben, aber nicht mit Benchmarks oder Messwerten belegt.

Mittel

Der Beitrag erläutert, wie Kubeflow Pipelines ML-Arbeitsabläufe auf Kubernetes in einzelne, wiederverwendbare Container-Schritte gliedern. Eine Pipeline-Definition in Python oder als Jupyter Notebook verbindet etwa Vorverarbeitung, Training und Bereitstellung und legt Parameter, Ein- und Ausgaben sowie Abhängigkeiten fest. Über eine Oberfläche lassen sich Pipelines visualisieren, ausführen und mit unterschiedlichen Parametern wiederholen.

Als Beispiel beschreibt der Artikel eine GPU-gestützte Pipeline, die ResNet-50 mit Keras auf CIFAR-10 trainiert. Ein TensorFlow-Container lädt und bearbeitet die Bilder; ein weiterer trainiert das Modell und wandelt die resultierende H5-Datei in SavedModel um. TensorFlow-TensorRT soll die Inferenz optimieren. Zur Bereitstellung startet ein Kubernetes-Dienst den TensorRT Inference Server, während ein zusätzlicher Dienst eine interaktive Weboberfläche anbietet. Der Beitrag hebt außerdem NVIDIA-Container und TensorRT-Funktionen wie dynamisches Batching hervor und verweist auf ein Beispielprojekt. Er behauptet, der Ansatz könne Modularität und Leistung verbessern. Konkrete Benchmarks oder Messwerte nennt der Artikel jedoch nicht.

Ausführlich lesen

Der Beitrag beschreibt, wie Kubeflow Pipelines GPU-gestützte Arbeitsabläufe für maschinelles Lernen auf Kubernetes strukturieren sollen. Kubeflow wird als quelloffene Plattform für Training und Bereitstellung von ML- und DL-Modellen vorgestellt. Laut Beitrag soll die Plattform Kubernetes für solche Einsätze leichter nutzbar machen, wiederholbare und übertragbare Abläufe ermöglichen und Forschenden erlauben, mit gemeinsam genutzten Notebooks und Daten zu experimentieren, ohne sich um die Infrastruktur kümmern zu müssen. Training und Inferenz sollen dabei mit möglichst wenigen Änderungen am Code sowohl vor Ort als auch in der Cloud möglich sein.

Der Artikel erklärt Pipelines als Zusammenspiel einzelner Container. Diese enthalten Skripte für Aufgaben wie Vorverarbeitung, Training und Bereitstellung; Ein- und Ausgabepfade werden als Argumente übergeben. Eine in Python oder als Jupyter Notebook verfasste Pipeline-Definition verbindet die Komponenten zu einem gerichteten Ablauf und beschreibt Parameter, Ein- und Ausgaben sowie Abhängigkeiten. Über die Pipelines-Oberfläche lassen sich kompilierte Abläufe hochladen, visualisieren und ausführen. Veränderte Parameter ermöglichen laut Beitrag unterschiedliche Durchläufe und den Vergleich von Trainingsversuchen; außerdem unterstützt die Oberfläche die Versionierung bereitgestellter Modelle.

Als Beispiel führt der Beitrag eine GPU-beschleunigte Pipeline zum Training eines ResNet-50-Modells mit Keras auf CIFAR-10 an und verweist dafür auf ein Kubeflow-Beispiel. Der Vorverarbeitungscontainer basiert auf einem TensorFlow-Container aus NVIDIA GPU Cloud. Er lädt den CIFAR-10-Datensatz aus Keras, verändert die Bilder durch Drehen, Skalieren und Zuschneiden und speichert sie im Ausgabeverzeichnis. Ein weiterer TensorFlow-Container trainiert das Modell mit den vorverarbeiteten Daten, die über ein Pipeline-Volume eingebunden werden. Die resultierende Keras-Datei im H5-Format wird laut Artikel in das SavedModel-Format umgewandelt und mit TensorFlow-TensorRT optimiert, um Tensor Cores für schnellere Inferenz zu nutzen.

Für die Bereitstellung startet ein Container einen Kubernetes-Dienst, in dem der TensorRT Inference Server aus einem NVIDIA-Container läuft. Der Beitrag beschreibt diesen Server als produktionsgeeignet und hebt Unterstützung für mehrere Modelle und Frameworks sowie dynamische Bündelung eingehender Anfragen hervor, mit der sich die Auslastung von GPUs verteilen lasse. Ein weiterer Kubernetes-Dienst stellt eine Weboberfläche zur interaktiven Bewertung des Modells bereit. Zusätzlich nennt der Artikel TensorRT-Optimierungen wie das Zusammenführen von Schichten und Tensoren, Präzisionskalibrierung und automatische Kernel-Abstimmung.

Der Beitrag empfiehlt das Beispiel als Einstieg und stellt in Aussicht, dass GPU-gestützte Pipelines die Modularität und Leistung von Datenwissenschaftsabläufen verbessern und sich für Computer Vision, Sprachverarbeitung oder Empfehlungssysteme eignen könnten. Die Darstellung ist eine technische Übersicht mit Verweisen auf ein Beispiel und weitere Dokumentation. Sie enthält keine berichteten Messwerte, Benchmarks oder konkreten Vergleichsergebnisse, anhand derer sich die Leistungsversprechen beurteilen ließen.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Beide Zusammenfassungen von Luna (kurz und mittel) wurden geprüft, das Urteil gilt für beide gemeinsam. Lunas Einordnungsstufen für SF-H3, SF-E4 und SF-A3 weichen deutlich nach oben ab, weil der Bericht die Fragen nur am Rande berührt. Teilfragen waren nicht angegeben und wurden daher nicht bewertet.

Im Bericht, aber nicht in der Zusammenfassung

  • Kubeflow wurde 2018 von Google als Open-Source-Projekt gestartet und hat viele Beitragende
  • TensorRT-Optimierungen wie Layer- und Tensor-Fusion, Präzisionskalibrierung und Kernel-Auto-Tuning
  • NGC-Container als vorkonfigurierte Umgebung mit Frameworks und GPU-Treibern

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
Unabhängig prüfen
  1. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 100 %kein Bezug
    • Luna 55 %Hintergrund, keine Belege
    • JEV 44 %gleiches Oberthema, hilft nicht
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 41 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 56 %Hintergrund, keine Belege
    • JEV 34 %einzelne zitierbare Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Agenten und vernetzte Systeme
  1. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 100 %kein Bezug
    • Luna 61 %Hintergrund, keine Belege
    • JEV 41 %gleiches Oberthema, hilft nicht
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 48 %einzelne zitierbare Belege
    • JEV 38 %einzelne zitierbare Belege
    • amos 32 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 73 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →