نویسنده (ها): یوسف حسنی
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
ظروف داکر مزایای قابل توجهی برای یادگیری ماشین با اطمینان از محیط های سازگار ، قابل حمل و قابل تکرار در سیستم های مختلف.
با محاصره همه وابستگی ها ، کتابخانه ها و تنظیمات موجود در یک ظرف ، Docker مسائل سازگاری را از بین می برد و مشکل “این کار روی دستگاه من است”.
این امر جابجایی پروژه های ML بین توسعه ، ابر یا محیط های تولید را بدون نگرانی در مورد تفاوت در تنظیم آسان تر می کند. علاوه بر این ، Docker مقیاس پذیری و انزوا را امکان پذیر می کند. یادگیری ماشین گردش کار به راحتی با استفاده از ابزارهایی مانند Kubernetes و اطمینان از این که وابستگی ها بین پروژه های مختلف مغایرت ندارند ، به راحتی مقیاس می شوند.
در این مقاله ، 11 تصاویر کانتینر Docker را برای هوش مصنوعی و پروژه های یادگیری ماشین اینها شامل ابزارهایی برای محیط های توسعه است ، یادگیری عمیق چارچوب ها ، مدیریت چرخه عمر یادگیری ماشین ، ارکستر گردش کار ، و مدل های بزرگ زبانبشر
I. یادگیری ماشین و علوم داده
پشته علوم داده PythonJupyter
ii. AI تولیدی و یادگیری عمیق
3. بغل کردن ترانسفورماتورهای صورت
4. Nvidia cuda Deep Learning زمان اجرا
5 تانسور پر
6. Pytorch
7. اولاما
8. Qdrant
iii ارکستراسیون گردش کار و مدیریت چرخه عمر ML
9. جریان هوا
10. mlflow
11. نوت بوک های Kubeflow
بیشتر بینش هایی که من در Medium به اشتراک می گذارم قبلاً در هفتگی من به اشتراک گذاشته شده است خبرنامه، به داده ها و فراتر از آن.
اگر می خواهید با دنیای دیوانه کننده AI به روز باشید و در عین حال احساس الهام از اقدام یا حداقل برای آماده شدن کنید … وبلاگ کامل را به صورت رایگان در رسانه بخوانیدبشر
منتشر شده از طریق به سمت هوش مصنوعی
منبع: https://towardsai.net/p/data-science/11-docker-container-images-for-generative-ai-ml-projects