小编Kev*_* Su的帖子

机器学习平台是商业中的流行语之一，以促进 ML 或深度学习的发展。

有一个通用的部分工作流协调器或工作流调度器，可帮助用户构建 DAG、调度和跟踪实验、作业和运行。

有许多机器学习平台具有工作流编排器，如Kubeflow pipeline、FBLearner Flow、Flyte

我的问题是气流和 Kubeflow 管道或其他 ML 平台工作流编排器之间的主要区别是什么？

并且气流支持不同语言的 API 并且拥有庞大的社区，我们可以使用气流来构建我们的 ML 工作流程吗？

我是学习hadoop的初学者，我使用最新版本的ubuntu，浏览localhost：9870时出现错误浏览器说该页面不存在

TFServin 和 KFServing 都将模型部署在 Kubeflow 上，让用户轻松地将模型作为服务使用，不需要了解 Kubernetes 的详细信息，隐藏了基础层。

• TFServing 来自 TensorFlow，它也可以在 Kubeflow 上运行或独立运行。kubeflow 上的 TFserving

• KFServing来自 Kubeflow，可以支持 PyTorch、TensorFlow、MXNet 等多种框架。

我的问题是这两个项目之间的主要区别是什么。

如果我想在生产中启动我的模型，我应该使用哪个？哪个性能更好？

在 Kubernetes 上运行 Spark 应用程序有两种方法。

1. 将spark-submit 与k8s://主URL 结合使用。
2. 使用Spark-on-k8s-operator。借助 Spark Operator 中 CRD 的优势，我们可以使用配置文件 (YAML) 对 Spark pod 进行声明式管理。

在 Kubernetes 上运行 1000 多个 Spark 工作负载的生产环境中，我该如何选择？

使用火花操作员有什么优点和缺点？