目的 :
這是一個node-red搭配kubeflow的作品，node-red作為畫面顯示，而kubeflow則是資料處理。在這個作品我將LSTM、mnist節點放在node-red，點擊該節點後，kubeflow則執行對應模型，模型所使用的輸入資料是normal.csv & abnormal.csv，輸出則是資料經模型訓練後的準確度。
安裝 :
- 將檔案 git clone 到 windows/System32
- 執行 Docker
- 執行 Wsl 並依序輸入 cd kube-nodered, cd examples, 最後是 ./run.sh 1.connect-kubeflow
- 查 Docker 是否有生成的容器和映像檔
- 執行 Docker 映像檔並執行 node-red
- 執行 node-red後, 點擊 'intsall dependency', 接著使用者可以在'six pipeline' 頁面執行模型
- 到路徑 kube-nodered\examples\1.connect-kubeflow\py 中調整目錄底下的模型Python檔案，將登錄帳密改為使用者的 ===============================================================================
架構 :
客製化節點的關鍵在於更改.flows.json、加入js.和html到nodepipe資料夾、加入模型python到py資料夾和加入模型pipeline到pipeline資料夾。node-red顯示的部分 : .flow.json更改會影響node-red節點的顯示，nodepipe的js.和html可以客製一個節點的功能欄位，如下拉選單。Kubeflow執行的部分 : 模型的python和pipeline。 以下是各個檔案的路徑
- C:\Windows\System32\kube-nodered\examples\1.connect-kubeflo的.flow.json
- C:\Windows\System32\kube-nodered\examples\1.connect-kubeflow\node_modules\nodepipe的js.和html
- C:\Windows\System32\kube-nodered\examples\1.connect-kubeflow\py的模型python
- C:\Windows\System32\kube-nodered\examples\1.connect-kubeflow\py\pipelines的模型pipeline
================================================================================
輸入和輸出 :
輸入資料
輸出結果
=================================================================================
操作說明 :
打開node-red後，先點擊圖中按鈕，安裝所需套件
點擊圖中圓圈，切換分頁到模型節點
切換後的分頁
點擊圖中按鈕，kubeflow會執行對應pipeline
可在畫面右側確認執行狀況，圖中範例為LSTM pipeline正在執行
在node-red上點擊執行後，可在kubeflow上看到新增的執行pipeline
Kubeflow上的執行結果
