Update 2.5.14.TrafficPeriodicTrainAndK8sServingExample.md

manual1903/2.5.14.TrafficPeriodicTrainAndK8sServingExample.md

@@ -46,7 +46,7 @@ verbose  | false | 디버깅을 위해 로그정보를 보고자할 경우, true
 
 텐서플로우를 이용하여 딥러닝 학습을 위해 Batch 엔진을 선택합니다.
 
-####Reader
+#### Reader
 FileReader를 선택하고 아래표와 같은 속성을 지정합니다. filePath 에 입력 파일의 경로 및 파일명을 지정합니다. 이 값은 사용자 파이썬 코드(텐서플로우 모델을 정의하고 학습하는 코드)의 `--input` 파라미터로 전달됩니다.
 
 field  |value   | 설명
@@ -59,7 +59,7 @@ filePath의 경로 입력창 옆의 "File" 버튼을 클릭하여 HDFS repositor
 
 ![학습 데이터셋 파일 위치 및 선택하기  ](./images/2.5.14.TrafficPeriodicTrainAndK8sServingExample_02.png)
 
-####Writer
+#### Writer
 처리 결과를 파일 형태로 저장할 것이므로 FileWriter를 선택합니다. filePath 에 학습한 딥러닝 모델이 최종 저장될 폴더를 지정합니다. 해당 폴더에 자동으로 최신버전의 폴더를 생성한 후 모델이 저장됩니다. 모델의 버전은 0000 부터 시작하여 1씩 증가합니다. filePath 에 입력한 값은 사용자 파이썬 코드(텐서플로우 모델을 정의하고 학습하는 코드)의 `--output` 파라미터로 전달됩니다.
 
 본 예제에서는 두번째 엔진인 OnDemandServing 엔진에서 쿠버네티스를 이용한 모델 서빙을 하기 위해 HDFS 절대경로를 지정합니다. 상대경로를 지정할 경우, 동적으로 생성한 **사용자 기본 파일경로** 가 앞에 추가되므로 OnDemandServing 엔진에서 정확한 파일 경로를 지정하는 것이 어렵습니다.   
@@ -72,10 +72,10 @@ delimeter  |  , |  구분자
 header  |  false |  header 포함 여부
 saveMode  |   | 사용하지 않음
 
-####Controller
+#### Controller
 본 예제에서 Controller는 텐서플로우와 같은 외부시스템를 제어하기 위한 ExternalAnalysisController를 선택합니다.
 
-####Runner
+#### Runner
 tensorflowRunner 를 선택합니다. pyEntryPath 에 main 함수를 포함하는 사용자 파이썬 코드(강남 교통 데이터를 학습하기 위한 코드)의 경로 및 파일명을 지정합니다.
 
 field  |value   | 설명
@@ -106,7 +106,7 @@ pyEntryPath 에는 아래와 같이 3가지 경로가 입력 가능합니다.
 
 결과적으로 KSB 인공지능 프레임워크는 엔진 실행시, 로컬 파일시스템의 사용자 repository에 있는 kangnam 폴더 및 하위 1 depth 폴더를 file:///home/csle/ksb-csle/components/src/main/python/로 copy 후 tensorflow를 실행합니다.
 
-####Operator
+#### Operator
 DLTrainOperator를 선택하고 아래표와 같은 속성을 지정합니다. modelPath 에 내부적으로 학습된 모델을 저장할 경로를 지정합니다. 이 값은 사용자 파이썬 코드(텐서플로우 모델을 정의하고 학습하는 코드)의 `--modelPath` 파라미터로 전달됩니다. 로컬 파일시스템 절대경로로 입력합니다.
 또한, modelPath를 기준으로 최신버전의 폴더를 자동으로 생성하여 사용자 파이썬 코드의 `--model` 파라미터로 전달합니다. 모델의 버전은 0000 부터 시작하여 1씩 증가합니다. 따라서 예를 들면:
 
@@ -125,7 +125,7 @@ field  |value   | 설명
 isTrain  | True  |  새롭게 학습할 경우에는 True, 그 외의 경우에는 False.
 num_epochs  | 1  | 학습 반복 횟수
 
-####엔진 RunType
+#### 엔진 RunType
 매분 주기적으로 실행하기 위해 해당 파라미터를 설정하고 Apply를 누릅니다. 현재 테스트를 위해 주기 : '매분' 설정은 내부적으로 5분 단위의 주기적 실행을 하게 설정되어 있습니다.
 
 ![](./images/2.5.14.TrafficPeriodicTrainAndK8sServingExample_15.png)
@@ -157,7 +157,7 @@ modelName | kangnam| 교통속도 예측 모델의 이름
 
 ksbuser@etri.re.kr 계정으로 접속하면 예제 워크플로우가 만들어져있습니다. 불러오기해서도 돌려볼 수 있습니다.
 
-####엔진 RunType
+#### 엔진 RunType
 
 매분 주기적으로 실행하기 위해 해당 파라미터를 설정하고 Apply를 누릅니다. 단, 첫번째 엔진에서 생성된 모델을 이용하여 서빙을 하기 때문에 첫번째 엔진의 시작시간에서 5분 후에 tensorflow 서빙 엔진을 시작하도록 설정합니다.
 ![](./images/2.5.14.TrafficPeriodicTrainAndK8sServingExample_18.png)