• OpenShift 4 - 部署 RHODS 环境,运行 AI/ML 应用(视频)


    OpenShift / RHEL / DevSecOps 汇总目录
    说明:本文已经在 OpenShift 4.14 + RHODS 1.33 的环境中验证

    RHODS 简介

    Red Hat OpenShift AI 是一个专注于人工智能的产品组合,为人工智能/ML 实验和模型的整个生命周期提供工具,其中包括 Red Hat OpenShift Data Science (RHODS)。RHODSe 是红帽 OpenShift AI 的核心构成软件,它是红帽驱动的社区开源软件 Open Data hub 的企业版。

    RHODS 是面向混合云的开源 ML 平台。它向数据科学家和开发人员提供了一个完全受支持的环境,以便在部署到生产环境之前进行快速开发、训练和测试ML 模型。RHODS 提供了 ML 常用的 Jupyter notebooks-as-a-service、TensorFlow 和 PyTorch 等工具环境以及用于模型服务和数据科学管道的 MLOps 组件,而且还对这些组件以及流程进行了集成,使得开箱即用。

    RHODS 是独立于 OpenShift 的产品,它即可在红帽托管的公有云上部署运行,也可在用户自管的 OpenShift 环境中部署运行。在这里插入图片描述

    安装 RHODS 环境

    运行环境说明

    • 本文使用的是单机版 OpenShift Local 4.14 环境。
    • 本文除了要以容器的方式运行部署 RHODS(包含 Jupyter notebooks、ML 运行监控等)环境,还要部署测试应用(至少分配 8G 内存),因此为整个 OpenShift Local 的虚机提供了 20vCore + 48GB 内存 + 250GB 硬盘。
    • 运行 RHODS 的硬件环境是否需要有 GPU 取决于在其上运行的 ML 模型是否强制需要。如有需要,可在配有 GPU 资源的 OpenShift 上为运行的 ML 声明分配 GPU。但如无强制需要和声明,ML 模型可在 CPU 上运行。由于本文意为演示 RHODS,OpenShift 运行环境没有配 GPU,ML 直接运行在 CPU 上。

    用 RHODS Operator 安装环境

    1. 在 OpenShift 的 OperatorHub 中找到并使用默认配置安装 Red Hat OpenShift Data Science Operator。
    2. 在 redhat-ods-operator 项目中使用默认配置创建一个 Red Hat OpenShift Data Science 实例。
    3. 完成后会在 OpenShift 中创建以下 4 个项目:redhat-ods-applications、redhat-ods-monitoring、redhat-ods-operator、 redhat-notebook。安装完后对应的项目中部署的资源如下面几个截图:
      在这里插入图片描述
      在这里插入图片描述
      在这里插入图片描述
    4. 打开 redhat-ods-applications 项目中的 rhods-dashboard 路由地址。登录后即可看到如下图的 OpenShift Data Science 的控制台。
      在这里插入图片描述

    创建 Jupyter Notebook 运行环境

    1. 点击上图的 Jupyter 的 Launch application 进入Start a notebook server 页面,
    2. 在 Start a notebook server 页面中选中 TensorFlow 2023.1(该环境支持运行 CUDA、Python 和 TensorFlow);Container Size 选择 Small。
    3. 点击 Start Server 按钮后会出现 Starting server 窗口显示创建环境的进度。由于这个过程会下载相应的 Image,所以需要等一段时间。完成后会显示下图:
      在这里插入图片描述
    4. 点击上图的 Open in new tab 后会出现 Jupyter 页面。
      在这里插入图片描述

    开发调式 AI/ML 应用

    1. 点击上图 Git 图标,然后再选择 Clone a Repository。
      在这里插入图片描述
    2. 在弹出的 Clone a repo 窗口中提供 https://github.com/rh-aiservices-bu/licence-plate-workshop.git,然后点击 Clone。完成 Clone 后可以在 Jupyter 中看到如下图的 license-plate-workshop 应用的文件和目录。
      在这里插入图片描述
    3. 依次打开开头为 01 到 04 的 Jupyter 文件,然后点击 Start the selected the cells and advance 按钮逐步执行。
      在这里插入图片描述
    4. 在完成下一节 “部署运行 AI/ML 应用” 后再打开开头 05 的 Jupyter 文件。先将 my_image 和 my_route 改为 car.jpg 和 ML 应用的路由地址。然后运行即可看到从 car.jpg 文件中识别的车牌。
      在这里插入图片描述

    部署运行 AI/ML 应用

    1. 在 OpenShift 的 “开发者” 视图中,创建 ai-app 项目。
    2. 进入“添加”,再进入 Git 仓库。
    3. 在 Git Repo URL 中提供 https://github.com/rh-aiservices-bu/licence-plate-workshop.git。
    4. 在 “显示高级路由选项” 里去掉 “安全路由” 选项。
    5. 最后点击 “创建”。
    6. OpenShift 会创建一个 “构建” 来生成该 ML 应用的镜像,然后再部署生成的 ML 应用镜像。
      在这里插入图片描述
    7. 在完成部署后,可以通过上图的 “路由” 打开 ML 应用页面,会显示下图运行状态。
      在这里插入图片描述
    8. 最后可继续完成上一节的最后一步,运行 05 文件,从客户端调用 ML 应用。

    视频

    参考

    https://ai-on-openshift.io/getting-started/openshift-data-science
    https://redhat-scholars.github.io/rhods-lp-workshop
    https://cloud.redhat.com/blog/scaling-model-serving-with-red-hat-openshift-data-science
    https://developers.redhat.com/learn/openshift-data-science
    https://redhat-scholars.github.io/cloudnative-tutorials/openshift-data-science-object-detection.html
    https://myopenshiftblog.com/installing-openshift-data-science-ods-in-self-managed-environment
    https://medium.com/@contact.av.rh/unleashing-the-full-potential-of-rhods-for-model-fine-tuning-and-inferencing-99a67b65e74e

  • 相关阅读:
    HtmlCss光标(插入符caret)透明隐藏光标 221106笔记
    java计算机毕业设计springboot+vue网络体检服务系统
    java计算机毕业设计水果商城设计MyBatis+系统+LW文档+源码+调试部署
    【统计学习方法】P2 监督学习
    Spring Boot 集成 Redis
    DTU配置工具-F2x16工具
    SEGGER 的硬件异常 分析
    Docker Desktop Windows 无法启动
    spring boot 实现一个 禁止重复请求
    「Python循环结构」利用for循环输出信息和求阶乘
  • 原文地址:https://blog.csdn.net/weixin_43902588/article/details/134527569