Qualitätssicherung von Docker-Images

Die Arbeit mit Containern hat sowohl die Entwicklung als auch den Betrieb deutlich verändert. Insbesondere im Betrieb etablieren sich zunehmend Prozesse, die von der Softwareentwicklung abgeleitet sind. Infrastrukturkomponenten werden textuell beschrieben und in einem Versionskontrollsystem gespeichert. Docker-Images werden automatisch gebaut und oft auch schon automatisch ausgerollt. Es mangelt aber noch an der Qualitätssicherung. Vergleichbar mit Softwarekomponenten müssen Docker-Images auch auf Vollständigkeit und Korrektheit geprüft werden.

Der Vortrag demonstriert, wie sich das Konzept von Unit-Tests auf Docker-Images übertragen lässt.

Vorkenntnisse

Der Vortrag richtet sich an IT-Profis, die bereits erfolgreich mit Docker arbeiten und lernen möchten, wie sie die Qualität und Zuverlässigkeit von Docker-Images prüfen und erhöhen können. Es wird vorausgesetzt, dass die Teilnehmer sich mit den Konzepten der Containerisierung (Images, Container, Volumes, Dockerfile, docker-compose.yml usw.) auskennen und mit den Kommandozeilenwerkzeugen umgehen können.

Lernziele

* Der/die Teilnehmer/-in soll in die Lage versetzt werden, Tests für Docker-Images zu erstellen und in einer Pipeline für Continuous Integration zu integrieren.

 

Agenda

ab 8.30 Uhr Registrierung und Begrüßungskaffee

9.30 Uhr Beginn

Intro

Machine Learning

  • Was ist Machine Learning?
  • Der typische ML Workflow
  • Was sind neuronale Netze?
  • Jupyter Lab mit Python
  • Eine Einführung in TensorFlow
  • Keras als High-Level API für TensorFlow

Praxisteil: Deep Learning Modelle mit Keras

  • Datengeneratoren
  • Datasets explorativ analysieren
  • Hold-Out vs. Cross Validation

11.00 - 11.15 Uhr: Kaffeepause

Praxisteil: Deep Learning Modelle mit Keras

  • Feed-Forward Netzarchitektur
  • Convolutional Neural Networks als Deep Learning Ansatz
  • Evaluation und Visualisierung des Modells

12.30 - 13.30 Uhr: Mittagspause

Pipelines mit Luigi

  • Anforderungen an produktive Modelle
  • Übersicht über Luigi und dessen Module
  • Bau eines Beispiel-Workflows

Praxisteil: Den Keras-Workflow mit Luigi implementieren

  • Anforderungen an produktive Modelle
  • Übersicht über Luigi und dessen Module
  • Bau eines Beispiel-Workflows

15.30 - 15.45 Uhr: Kaffeepause

Praxisteil: TensorFlow-Serving

  • Übersicht über TensorFlow-Serving
  • Ladestrategien konfigurieren
  • Deployment des Modells

ca. 17.00 Uhr: Ende

 

Referent

 

Nicholas Dille Nicholas Dille beschäftigt sich seit 15 Jahren mit Virtualisierung, Cloud Computing und Containerisierung. Er arbeitet als DevOps Enigneer bei der Haufe Gruppe, einer digitalen Mediengruppe in Freiburg. Seit über zehn Jahren ist Nicholas als Blogger, Sprecher und Autor aktiv. Dafür wird er von Microsoft seit 2010 mit dem Titel Most Valuable Professional und von Docker als Captain ausgezeichnet.

Platin-Sponsor

Gold-Sponsor

Silber-Sponsoren


CLC-Newsletter

Sie möchten über die Continuous Lifecycle
auf dem Laufenden gehalten werden?

 

Anmelden