基于 Kubernetes 的云原生博客系统与联邦学习模型训练/推理平台
具体可以查看github项目：项目链接
一、项目整体概述
本项目构建了一个运行于 Kubernetes 集群之上的高度自动化的多工作负载云原生系统，核心目标不仅是功能实现本身，更强调 从模型训练、参数聚合、模型部署到在线推理与业务服务的全流程自动化。
系统以 Kubernetes 作为统一调度与控制平面，将模型训练、联邦参数聚合、在线推理服务与 Web 应用服务全部纳入容器编排体系，实现：
- 训练任务的自动调度与生命周期管理
- 模型参数聚合流程的自动触发与执行
- 推理服务的自动部署、自动恢复与自动扩展
- 博客业务服务与模型服务之间的自动解耦与协同运行
在算法层面，项目采用 PyTorch 框架，基于 LSTM 神经网络结构 实现中文文本情感分类任务，并引入 联邦学习（Federated Learning） 训练范式，训练结束后自动开启相关聚合任务，通过多训练节点协同优化模型参数，同时使用轮次聚合和基于样本权重的的平均，实现对训练过程的优化，在不共享原始数据的前提下完成模型训练，为分布式、自动化训练流程提供算法基础。
在系统层面，项目采用 前后端分离架构 + 微服务化设计，并通过 Kubernetes 对各组件进行容器编排、状态管理与弹性伸缩，使整个系统能够在最少人工干预的情况下完成部署、运行与演化。