k8s之Deployment详解

一、官方介绍

Deployments | Kubernetes
Deployment为Pod和Replica Set提供声明式更新。
你只需要在 Deployment 中描述您想要的目标状态是什么，Deployment controller 就会帮您将 Pod 和ReplicaSet 的实际状态改变到您的目标状态。您可以定义一个全新的 Deployment 来创建 ReplicaSet 或者删除已有的 Deployment 并创建一个新的来替换。
注意：您不该手动管理由 Deployment 创建的 Replica Set，否则您就篡越了 Deployment controller 的职责！下文罗列了 Deployment 对象中已经覆盖了所有的用例。如果未有覆盖您所有需要的用例，请直接在 Kubernetes 的代码库中提 issue。

二、Deployment可以帮我们做什么

  • 定义一组Pod期望数量，Controller会维持Pod数量与期望数量一致
  • 配置Pod的发布方式，controller会按照给定的策略更新Pod，保证更新过程中不可用Pod维持在限定数量范围内
  • 如果发布有问题支持回滚

三、Deployment原理

  • 控制器模型

在Kubernetes架构中，有一个叫做kube-controller-manager的组件。这个组件，是一系列控制器的集合。其中每一个控制器，都以独有的方式负责某种编排功能。而Deployment正是这些控制器中的一种。它们都遵循Kubernetes中一个通用的编排模式，即：控制循环

用一段go语言伪代码，描述这个控制循环

  1. for {
  2.     实际状态 := 获取集群中对象X的实际状态
  3.     期望状态 := 获取集群中对象X的期望状态
  4.     if 实际状态 == 期望状态 {
  5.         什么都不做
  6.     }else{
  7.         执行编排动作，将实际状态调整为期望状态
  8.     }
  9. }

在具体实现中，实际状态往往来自于Kubernetes集群本身。比如Kubelet通过心跳汇报的容器状态和节点状态，或者监控系统中保存的应用监控数据，或者控制器主动收集的它感兴趣的信息，这些都是常见的实际状态的来源；期望状态一般来自用户提交的YAML文件，这些信息都保存在Etcd中

对于Deployment，它的控制器简单实现如下：

  1. Deployment Controller从Etcd中获取到所有携带 “app：nginx”标签的Pod，然后统计它们的数量，这就是实际状态
  2. Deployment对象的replicas的值就是期望状态
  3. Deployment Controller将两个状态做比较，然后根据比较结果，确定是创建Pod，还是删除已有Pod
  • 滚动更新

Deployment滚动更新的实现，依赖的是Kubernetes中的ReplicaSet

Deployment控制器实际操纵的，就是Replicas对象，而不是Pod对象。对于Deployment、ReplicaSet、Pod它们的关系如下图:

ReplicaSet负责通过“控制器模式”，保证系统中Pod的个数永远等于指定的个数。这也正是Deployment只允许容器的restartPolicy=Always的主要原因：只有容器能保证自己始终是running状态的前提下，ReplicaSet调整Pod的个数才有意义。

Deployment同样通过控制器模式，操作ReplicaSet的个数和属性，进而实现“水平扩展/收缩”和“滚动更新”两个编排动作对于“水平扩展/收缩”的实现，Deployment Controller只需要修改replicas的值即可。用户执行这个操作的指令如下：

kubectl scale deployment nginx-deployment --replicas=4

四、Delpyment演示

  • 启动minikube
minikube start

  • deployment_nginx.yml文件
  1. apiVersion: apps/v1
  2. kind: Deployment
  3. metadata:
  4.   name: nginx-deployment
  5.   labels:
  6.     app: nginx
  7. spec:
  8.   replicas: 3
  9.   selector:
  10.     matchLabels:
  11.       app: nginx
  12.   template:
  13.     metadata:
  14.       labels:
  15.         app: nginx
  16.     spec:
  17.       containers:
  18.       - name: nginx
  19.         image: nginx:1.12.2
  20.         ports:
  21.         - containerPort: 80
  • 创建deployment
  1. kubectl create -f deployment_nginx.yml
  2. kubectl get deployment
  3. kubectl get rs
  4. kubectl get pods

  • deployment信息

可以看到这个deloyment下的详情，nginx是1.12.2

kubectl get deployment -o wide

  • deployment的升级

针对目前的nginx1.12升级成1.13的命令，老的下面自动移除了，全部都在新的下面。

  1. kubectl set image deployment nginx-deployment nginx=nginx:1.13
  2. kubectl get deployment
  3. kubectl get deployment -o wide
  4. kubectl get pods

  • deployment查看历史版本
kubectl rollout history deployment nginx-deployment

  • deployment 回滚到之前的版本

又变成了nginx 1.12.2

kubectl rollout undo deployment nginx-deployment

  • deployment 端口暴露

其实就是把端口暴露在minikube上。

  1. kubectl get node
  2. kubectl get node -o wide
  3. kubectl expose deployment nginx-deployment --type=NodePort
  4. #查看node节点暴露的端口30960
  5. kubectl get svc
  6. #进入minikube查看ip地址192.168.99.100
  7. minikube ssh

不管怎么样完成了服务的暴露，具体这个service是什么，暴露的NodePort 是什么东西，下次咱们在详细说一下。

id="article_content" class="article_content clearfix"> id="content_views" class="markdown_views prism-atom-one-dark">

在这里插入图片描述

引言

随着人工智能（AI）和机器学习（ML）技术的迅速发展，预测和预报已成为当今数据科学领域的核心应用。无论是在商业决策、金融分析，还是天气预报和工业自动化等行业中，预测和预报的精确性都直接影响到结果的可靠性和决策的准确性。

然而，尽管“预测”和“预报”常常被交替使用，它们在技术实现和应用场景中却存在着显著差异。在准备**Azure基础认证（AI-900）**的过程中，理解这两个概念的区别，并深入掌握它们在实际场景中的应用，将对你顺利通过考试及未来的实践工作产生巨大的帮助。

本篇文章将详细解析预测和预报的基本概念、关键方法和技术应用，特别是如何在Azure平台上实现这些技术，帮助你深入理解机器学习中的相关知识，并为AI-900认证考试做好充分准备。

1. 预测与预报的基本概念

在这里插入图片描述

1.1 预报（Forecasting）的核心特征

预报是指基于历史数据和相关数据进行趋势分析，并预测未来某一时间点或时间段的行为或事件。其核心特征如下：

  • 基于相关数据进行预测：预报依赖于历史数据的模式，假设未来的趋势和过去的模式是相似的。
  • 适用于趋势分析：预报特别适合用于时间序列数据分析，如天气、市场、经济等领域的趋势预测。
  • 具有科学依据：预报通常需要建立数学或统计模型来验证其准确性，依赖于严谨的科学推导。
  • 更高的准确性：由于预报方法依赖历史数据的长期趋势，其预测结果通常具备较高的准确性。
  • 依赖历史数据：预报方法往往基于过去一段时间的数据来推测未来的走势。

在实际应用中，预报方法广泛应用于天气预报、市场趋势分析、经济指标预测、人口统计预测等领域，特别是那些具有稳定周期和趋势的数据。

1.2 预测（Prediction）的主要特点

预测与预报在本质上有所不同，预测是指根据现有的信息或数据来做出推测，尤其是在缺乏足够历史数据的情况下。其主要特点包括：

  • 在缺乏相关数据的情况下进行推测：预测通常依赖于现有数据，通过推理和模型推导出可能的结果。
  • 使用统计学方法：预测采用的更多是统计学和决策理论的工具，如概率论和回归分析等。
  • 运用决策理论：预测模型通常考虑多个变量之间的关系，并根据当前数据预测未来结果。
  • 较多主观因素：相比于预报，预测往往包含更多的假设和人为干预，可能会受到主观因素的影响。
  • 准确性相对较低：由于预测不完全依赖历史数据，它的准确性通常低于预报，尤其是在数据不完全或较为复杂的情况下。

预测技术广泛应用于股市分析、用户行为预测、风险评估等领域，其预测结果往往伴随着不确定性和风险。

2. 数据驱动的预报过程

2.1 数据收集与分析

预报过程中，数据是构建可靠模型的基础。通常包括以下步骤：

  1. 收集历史数据：预报的精度很大程度上取决于数据的质量和覆盖范围。通过收集历史时间序列数据，模型可以提取出潜在的趋势和模式。
  2. 清洗和预处理数据：收集的数据通常包含噪音和缺失值，因此需要清洗和预处理，以保证数据的准确性。
  3. 建立数据模型：使用数学模型和统计方法来描述历史数据的模式，从而预测未来。
  4. 验证模型准确性：通过验证数据集来评估模型的准确性，通常会采用回测方法来检查预测结果与实际数据的差距。

2.2 预报模型的应用场景

  • 天气预报：利用历史气象数据，使用数学模型预测未来天气变化。
  • 市场趋势分析：根据过去的市场数据，预测未来市场价格的走势。
  • 销售预测：零售商和制造商常利用销售数据预测未来的需求变化，进而调整生产和库存。
  • 经济指标预测：根据历史经济数据预测如GDP增长率、失业率等经济指标。
  • 人口统计预测：人口增长率、出生率、死亡率等数据可帮助政府和机构进行未来人口预测。

2.3 Azure中的预报实现

在Azure平台上，Azure Machine Learning提供了强大的支持，用于建立时间序列模型、趋势分析和预报。在AI-900认证考试中，熟悉如何在Azure上使用时间序列分析工具，如AutoML和Azure Machine Learning Designer，将帮助你更好地理解和掌握预报技术。

3. 统计学驱动的预测方法

3.1 决策理论在预测中的应用

预测方法在很大程度上依赖于统计学和决策理论。以下是一些常用的统计工具：

  • 概率论基础：通过建立概率模型，可以估计未来事件发生的可能性，并做出相应的决策。
  • 贝叶斯推断：在存在不确定性时，贝叶斯推断方法可以通过先验概率和观察数据来更新预测结果，逐步提高预测的准确性。
  • 风险评估：预测模型能够帮助我们评估未来不确定性所带来的风险，从而做出更明智的决策。
  • 不确定性分析：在决策过程中，识别并量化不确定性，帮助决策者在不确定的环境下做出更为合理的选择。

3.2 预测模型的构建步骤

  1. 确定预测目标：明确要预测的目标是什么，例如市场需求、客户流失率、设备故障等。
  2. 选择预测方法：根据数据类型、预测目标及其复杂性选择适合的统计学方法（如回归分析、时间序列分析等）。
  3. 建立预测模型：选择合适的算法（如线性回归、逻辑回归、决策树等）并对模型进行训练。
  4. 评估预测结果：使用交叉验证、均方误差（MSE）、准确率等指标评估模型的预测效果。

3.3 Azure中的预测实现

Azure提供了包括Azure Machine Learning、AutoML和Azure Databricks等强大工具，支持快速构建、训练和评估预测模型。在AI-900认证考试中，熟悉这些工具和相关应用场景将帮助你更加高效地实现预测模型。

4. AI技术在预测与预报中的应用

4.1 机器学习算法的运用

在现代AI应用中，机器学习算法已被广泛应用于预测与预报任务。以下是几种常见的机器学习方法：

  • 监督学习：通过已有标签的训练数据，模型学习如何从输入数据预测输出结果。应用于分类、回归等任务。
  • 无监督学习：在没有标签数据的情况下，模型通过数据的内在结构进行学习。常用于聚类分析和异常检测。
  • 深度学习：通过多层神经网络，深度学习可以自动提取数据中的复杂模式，应用于图像识别、自然语言处理等领域。
  • 强化学习：通过与环境交互，不断优化策略以获得最优结果，常用于决策优化问题。

4.2 模型评估与优化

在机器学习中，模型评估和优化是提升预测准确度的关键步骤。常见的优化方法包括：

  1. 准确率评估：通过不同的评估指标（如准确率、精确率、召回率等）来判断模型的效果。
  2. 模型调优：使用交叉验证、超参数优化等方法，调整模型的参数以提升预测效果。
  3. 交叉验证：将数据划分为多个子集，通过多次训练和测试来提高模型的稳定性。
  4. 性能监控：在部署过程中，持续监控模型的性能，并进行必要的调整。

5. 实践应用案例分析

5.1 金融领域的应用

  • 股市预测：通过对股市历史数据的分析，结合预测模型，投资者可以做出更加准确的投资决策。
  • 风险评估：银行和金融机构利用预测模型评估贷款风险、信用风险等，从而降低金融风险。
  • **信用评分

**：利用个人和企业的历史数据，预测其信用状况，为贷款、保险等决策提供依据。

  • 投资组合优化：通过预测市场走势，帮助投资者配置最优的投资组合，实现风险最小化。

5.2 工业领域的应用

  • 设备维护预测：通过监控设备运行状态，预测设备故障的可能性，从而提前进行维护，避免生产停工。
  • 生产规划：根据历史数据预测未来需求量，优化生产排程和资源分配。
  • 质量控制：通过预测质量缺陷，提前调整生产工艺，确保产品质量。
  • 库存管理：根据销售和需求数据预测未来库存需求，优化库存水平，减少库存积压。

6. 总结

预测和预报是机器学习中两个至关重要的概念，尽管它们在应用上有很大的重叠，但也有明显的差异。预报通常依赖于历史数据，适用于趋势分析，而预测则更多依赖统计方法和决策理论，处理较为复杂和不确定的情况。掌握这些概念及其在Azure平台上的应用，将帮助你在AI-900考试中获得优异成绩，并为实际项目提供强大的支持。

7. 常见问题解答（FAQ）

1. Q: 预测和预报的主要区别是什么？

A: 预报基于历史数据进行分析，而预测在缺乏相关数据的情况下使用统计方法。

2. Q: 哪些领域最适合使用预报方法？

A: 天气预报、经济趋势分析、销售预测等具有大量历史数据的领域。

3. Q: 预测方法的准确性如何保证？

A: 通过使用科学的统计方法、模型验证和持续优化来提高准确性。

4. Q: AI在预测与预报中扮演什么角色？

A: AI提供了强大的数据处理能力和复杂模型构建能力，提高了预测与预报的准确性。

5. Q: 如何选择使用预测还是预报？

A: 根据可用数据的质量和数量，以及具体应用场景的需求来选择。

在这里插入图片描述

Azure基础认证（AI-900）完全指南

  1. 认证概述：认证概述

  2. 考试的核心内容：考试核心内容

  3. AI层级：AI层级

  4. AI基础概念：AI基础概念

  5. 数据集：数据集

  6. 数据标注：数据标注

  7. 监督学习与无监督强化学习：监督学习与无监督强化学习

  8. 神经网络与深度学习：神经网络与深度学习

  9. GPU：GPU

  10. CUDA：CUDA

  11. ML Pipeline：ML Pipeline

  12. 预测和预报：预测和预报

  13. 评估指标：评估指标

  14. Jupyter Notebooks：Jupyter Notebooks

  15. 回归分析：回归分析

  16. 分类：分类

  17. 聚类：聚类

  18. 混淆矩阵：混淆矩阵

本文为原创内容，未经许可不得转载。

data-report-view="{"mod":"1585297308_001","spm":"1001.2101.3001.6548","dest":"http://iyenn.com/rec/1649820.html","extend1":"pc","ab":"new"}">>
id="blogExtensionBox" style="width:400px;margin:auto;margin-top:12px" class="blog-extension-box"> class="blog_extension blog_extension_type1" id="blog_extension"> class="blog_extension_card" data-report-click="{"spm":"1001.2101.3001.6470"}" data-report-view="{"spm":"1001.2101.3001.6470"}"> class="blog_extension_card_left">
class="blog_extension_card_cont"> class="blog_extension_card_cont_l"> 海棠AI实验室 class="blog_extension_card_cont_r"> 微信公众号
北二外海棠AI实验室导师，主要研究AI、LLM
注：本文转载自blog.csdn.net的Jeremy_Lee123的文章"https://blog.csdn.net/lixinkuan328/article/details/103993274"。版权归原作者所有，此博客不拥有其著作权，亦不承担相应法律责任。如有侵权，请联系我们删除。
复制链接
复制链接
相关推荐
发表评论

评论记录：

未查询到任何数据！