CSA杂项实用程序 此存储库包含各种小型项目，实用程序和文档。 命名约定： “ doc-”：帮助文章或操作方法 “ psh-”：PowerShell脚本 “ util-”：一个小型实用程序项目 “样本-”：小样本或PoC 贡献 该项目欢迎您的贡献和建议。 大多数捐款要求您同意“捐款者许可协议”（CLA），声明您有权并实际上授予我们使用您的捐款的权利。 有关详细信息，请访问 。 当您提交拉取请求时，CLA机器人会自动确定您是否需要提供CLA并适当地装饰PR（例如，标签，注释）。 只需按照机器人提供的说明进行操作即可。 您只需使用我们的CLA在所有存储库中执行一次即可。 该项目采用了。 有关更多信息，请参见或与联系，并提出其他任何问题或意见。

Kubernetes指南 是用于管理Kubernetes及其生产基础架构的行业标准最佳实践的集合。 本指南用于配置和配置生产级Kubernetes集群，以及将工作负载部署到集群中。 如果您只是刚开始使用Pulumi和Kubernetes，则指南”是一个更好的起点。 云提供商堆栈以进行部署。 AWS 蔚蓝 GCP 可在所有云上部署的Kubernetes堆栈：

Service Fabric CLI（SFTCL） 用于与Azure Service Fabric群集及其相关实体进行交互的命令行界面。 安装 pip install sfctl 发射 sfctl 有关更多信息，请指定-h标志： sfctl -h 开发人员帮助和文档 有关更多信息，请参见 。 贡献 该项目采用了。 有关更多信息，请参见或与联系，并提出其他任何问题或意见。

培训关于批处理AI的分布式培训 此仓库是有关如何使用Batch AI以分布式方式训练CNN模型的教程。 涵盖的场景是图像分类，但是该解决方案可以推广到其他深度学习场景，例如分段和对象检测。 图像分类是计算机视觉应用中的常见任务，通常通过训练卷积神经网络（CNN）来解决。 对于具有大型数据集的大型模型，单个GPU的训练过程可能需要数周或数月。 在某些情况下，模型太大，以致于无法在GPU上放置合理的批处理大小。 在这些情况下使用分布式培训有助于缩短培训时间。 在此特定方案中，使用Horovod在ImageNet数据集以及合成数据上训练ResNet50 CNN模型。 本教程演示了如何使用三个最受欢迎的深度学习框架来完成此任务：TensorFlow，Keras和PyTorch。 有许多方法可以以分布式方式训练深度学习模型，包括数据同步和基于同步和异步更新的模型并行方法。 当前，最常见的场景是与同步更新并行的数据-这是最容易实现的，并且对于大多数用例而言已经足够。 在具有同步更新的数据并行分布式训练中，该模型在N个硬件设备之间复制，并且一小批训练样本被划分为N个微批次（参见图2）。 每个设备都

发行说明 参见 贡献 想要贡献？ 查看我们和文档。 该项目遵循规范。 欢迎任何形式的捐助！ 感谢这些很棒的人（）： 该项目遵循规范。 欢迎任何形式的捐助！

眼睛 为盲人和视障用户描述使用音频的照片。 aiEyes是一个开源应用程序，它可以借助帮助盲人和视障用户看到世界。 使用， 和它能够向用户描述图片。 受@adrielcafe 启发。 :red_heart_selector: 觉得这个项目有用吗？ 如果您发现此项目有用，请考虑给它一个 :white_medium_star: 在Github上，并通过社交媒体与您的朋友分享。 示范影片 入门 获取API密钥 在此处创建您的计算机视觉API密钥： : 使用API​​密钥的值修改文件src/utils/keys.ts 安装 首先，安装依赖项以运行此应用程序： $ npm install -g cordova ionic 安装依赖项： $ npm install 在手机上运行应用 $ ionic cordova platform add android $ ionic cordova run android 要么 $ ionic cordova platform add ios $ ionic cordova run ios 技术领域 科技类 描述 Ionic是美观，免费和开源

azure-toolbox：具有Azure资源管理器管理工具和机器深度学习堆栈的Docker容器

全网唯一珍惜资源

使用MLflow服务按需机器学习模型 使用和的按需训练和服务的机器学习模型的解决方案。 那里的大多数文档和样本通常会向您展示如何采用一种特定的ML模型并将其引入具有生产规模的生产环境中。 在此示例解决方案中，我们尝试提供一种方法来同时缩放系统中现有的不同模型的数量，而不是针对将要回答的推理请求的数量缩放一个特定的模型。 它是根据实际用例进行概括的，在该用例中，最终用户的行为需要对模型进行即时训练，然后根据其规格进行小规模推理。 此存储库中的代码允许创建MLflow项目的数据科学家使用不同的参数对其进行测试，然后再根据经过训练的模型为模型提供预测结果。 运行此示例时，我们假设一个笔记本已经在Azure Databricks中加载，并且该笔记本正在使用MLflow来存储和记录实验。 在此存储库中，有2个（基于MLflow提供的示例），您可以用来入门。 建筑 该解决方案包括在上部署的3个。 在此示例中，服务通过REST API进行通信。 是解决方案的入口点，可在发出火车模型请求和运行模型以接收预测结果之间进行导航。 管理对Databricks的请求-启动集群并运行笔记本来训练ML

产品StoreKubernetes 这是一个示例应用程序，用于演示如何创建dockerized应用程序并将其部署到Kubernetes集群。 它需要一个示例ASP.NET Core MVC应用程序，创建其Dockerfile，然后创建Kubernetes部署对象。 Dockerfile用于从源代码构建应用程序。 然后在docker容器中运行该应用程序。 YAML文件中定义的k8s对象用于将应用程序部署到Kubernetes集群中。 这些文件是： mvc-deployment.yaml ：用于创建部署和服务来运行应用程序。 mssql-deployment.yaml ：用于创建部署和服务以运行SQL Server容器。 mssql-config-map.yaml ：创建一个ConfigMap对象以将数据库连接字符串存储为键值对。 应用程序可以访问它以检索连接字符串，并将其作为环境变量传递。 mssql-secret.yaml ：创建一个Secret以安全地将数据库连接字符串保存为键值对。 mssql-pv.azure.yaml ：创建PersistentVolume和Pe