开启Oracle Mokrs之旅大展身手（oracle mokrs）
开启Oracle Mokrs之旅：大展身手！
Oracle MoKRs，全称为Oracle Machine Learning for Kubernetes，是Oracle公司针对Kubernetes的机器学习平台。它提供了在Kubernetes集群上运行机器学习工作负载的完整平台，包括高级特征工程、模型训练、部署和推理等功能。本文将为大家介绍Oracle MoKRs的基本概念和使用方法。
1. 安装Oracle MoKRs
在使用Oracle MoKRs之前，需要先安装它。安装步骤如下：
1) 在Oracle Linux 7上启用Oracle调解程序库，并安装MoKRs/MoKRs GPU包。
sudo yum -y install oraclelinux-developer-release-el7
2) 安装MoKRs/MoKRs GPU包。
sudo yum install oracle-mokrs-ce-config oracle-mokrs-ce-cuda10-0-contner
sudo yum update -y
3) 使用以下命令启动和确认MoKRs。
sudo systemctl start oracle-mokrs-ce
ps aux | grep oracle-mokrs-ce
2. 使用Oracle MoKRs
安装完成后，就可以使用Oracle MoKRs进行机器学习工作负载的训练和部署了。从这个角度来看，Oracle MoKRs就像一个可扩展的机器学习平台。以下是在Oracle MoKRs上运行基础机器学习工作负载的示例。
1) 处理数据
我们首先需要处理我们的数据。下面是一个简单的Python代码例子，用于将车辆数据填充到一个Pandas数据框中。
import pandas as pd
cols = [‘mpg’, ‘cylinders’, ‘displacement’, ‘horsepower’, ‘weight’, ‘acceleration’, ‘model_year’, ‘origin’,
‘car_name’]
filename = “auto-mpg.data”
df = pd.read_csv(filename, sep=’\\s+’, names=cols, na_values=[‘?’], comment=’\t’, skipinitialspace=True)
df.head()
2) 在Oracle MoKRs上训练模型
接下来，我们将使用Oracle MoKRs在一个新的容器中运行Python代码。以下是一个示例Python代码，使用SKLearn库进行线性回归模型的训练。
from sklearn.model_selection import trn_test_split
from sklearn.linear_model import LinearRegression
x = df[[‘cylinders’, ‘displacement’, ‘horsepower’, ‘weight’, ‘acceleration’]]
y = df[‘mpg’]
x_trn, x_test, y_trn, y_test = trn_test_split(x, y, test_size=0.2, random_state=42)
lr = LinearRegression()
lr.fit(x_trn, y_trn)
print(lr.score(x_test, y_test))
3) 部署模型
接下来，我们将在Oracle MoKRs上运行一个新的容器，将模型部署到其中并将其公开为REST API。以下是一个示例Python代码，用于使用FLASOM库将模型部署为REST API。
from flask import Flask, request, jsonify
app = Flask(__name__)
@app.route(‘/predict’, methods=[‘POST’])
def predict():
values = request.get_json(force=True)
pred_values = lr.predict([[values[‘cylinders’], values[‘displacement’], values[‘horsepower’], values[‘weight’], values[‘acceleration’]]])
return jsonify({‘estimated_mpg’: pred_values.tolist()})
if __name__ == ‘__mn__’:
app.run(debug=True, host=’0.0.0.0′, port=5000)
4) 通过REST API进行推理
现在，我们已经将模型部署为REST API。我们可以使用以下代码示例发出REST API请求，并接收模型的预测值。
import requests
import json
data = {‘cylinders’: 4, ‘displacement’: 98, ‘horsepower’: 60, ‘weight’: 2164, ‘acceleration’: 22.1}
headers = {‘Content-Type’: ‘application/json’}
url = ‘http://localhost:5000/predict’
response = requests.post(url, data=json.dumps(data), headers=headers)
print(response.json())
结论：
Oracle MoKRs是一个完备而强大的机器学习平台，提供了在Kubernetes上部署机器学习工作负载所需的一切。和其他常见的基于云的机器学习平台相比，Oracle MoKRs的主要优势在于其开放性和不限制操作与计算的灵活性。这使得Oracle MoKRs成为对于那些需要非常定制且直接掌握计算资源的人而言，一款具备吸引力的平台。
