本文介紹KServe的基本概念以及如何部署KServe。
索引
KServe介紹
KServe是一個基於Kubernetes的機器學習模型服務架構，提供簡單的Kubernetes CRD，可用於將單個或多個經過訓練的模型（例如TFServing、TorchServe、Triton等推理伺服器）部署到模型服務運行時。ModelServer和MLServer是KServe中兩個模型服務運行時，用於在KServe中部署和管理機器學習模型。KServe內建了ModelServer和MLServer兩種預定義模型服務運行時，它們能夠提供開箱即用的模型服務。ModelServer使用預測v1協議在KServe本身中實現Python模型服務運行時，MLServer使用REST和gRPC實現預測v2協議。如果需要更複雜的用例，您也可以選擇構建自己的自訂模型伺服器。此外，KServe還提供基本API原語，可輕鬆構建自訂模型服務運行時。您也可以使用其他工具（例如BentoML）來構建您自己的自訂模型服務鏡像。
基於Knative使用InferenceService部署模型後，您將獲得以下Serverless能力：
縮容到0
基於RPS、並發數、CPU/GPU指標自動彈性
多版本管理
流量管理
安全認證
開箱即用可觀測性
KServe Controller
KServe Controller是KServe的核心組件之一，它負責管理InferenceService自訂資源，並通過建立Knative服務部署實現自動化的擴縮容，即該服務部署能根據請求流量進行自動擴縮容，並在未收到流量時會將服務的Pod縮小到零。這種自動化的擴縮容可以有效地管理模型服務的資源使用，並確保只有在需要時才會使用資源。
部署KServe
登入Container Service管理主控台，在左側導覽列選擇叢集。
在叢集列表頁面，單擊目的地組群名稱，然後在左側導覽列，選擇。
在組件管理頁簽，找到KServe組件，然後單擊部署。在彈出的對話方塊中，單擊確定。
當組件狀態顯示為已部署，表明組件部署成功。