3、创建你的第一个Notebook：从Dashboard启动、选择镜像与资源规格、连接JupyterLab
说实话，第一次接触Kubeflow的人，最容易卡住的地方就是——怎么把Notebook跑起来。
界面看着挺花哨，按钮也不少。但核心逻辑其实很简单：选个镜像、定好资源、点一下启动。我刚开始带团队的时候，有个同事对着Dashboard看了十分钟，问我：“这玩意儿跟Jupyter Notebook有啥区别？”
嗯，区别大了去了。今天咱们就把这第一步走通。
3.1 从Dashboard启动Notebook
登录Kubeflow Dashboard之后，你会看到左侧导航栏。找到Notebooks这个入口，点进去。
页面会显示你当前命名空间下已有的Notebook实例。如果是第一次进来，列表应该是空的。别慌，点右上角的“+ New Notebook”按钮。
点击创建后，会弹出一个表单。这里需要填三个东西：
- Name：给你的Notebook起个名字。建议用
项目名-用途-日期的格式，比如mlops-demo-v1-202501。 - Namespace：一般默认就好，除非你有特殊的多租户需求。
- Workspace Volume：这里可以挂载一个已有的PVC，或者让系统自动创建一个。我个人建议选自动创建，省事。
3.2 选择镜像：别瞎选，看需求
镜像选择这块，坑最多。Kubeflow默认提供了几个镜像：
| 镜像名称 | 适用场景 | 我的评价 |
|---|---|---|
| Standard Jupyter | 纯Python开发，不需要额外库 | 够用，但太素了 |
| TensorFlow 2.x | 深度学习、模型训练 | 我项目里用得最多 |
| PyTorch 1.x | PyTorch用户首选 | 注意CUDA版本匹配 |
| R Studio | 数据分析、统计建模 | R语言用户专用 |
| Custom Image | 自建镜像，灵活度最高 | 推荐有经验的团队使用 |
怎么选？我一般遵循这个原则：
- 如果只是写写SQL、做做数据探索，Standard Jupyter就够了。
- 如果要跑模型训练，直接上TensorFlow或PyTorch镜像，省得自己装依赖。
- 如果团队有标准化镜像仓库，用Custom Image最稳妥。
3.3 配置资源规格：别贪心，也别太小气
资源规格这块，很多人容易走极端。要么给得太多，集群资源浪费；要么给得太少，Notebook跑个数据加载都卡死。
Kubeflow默认提供了几个规格：
- Small (1 CPU, 2GB RAM)：适合轻量级数据探索、写文档。
- Medium (2 CPU, 4GB RAM)：我个人的日常配置，大部分场景够用。
- Large (4 CPU, 8GB RAM)：跑中等规模的数据处理或模型训练。
- Custom：手动指定CPU、内存、GPU。
我的建议是：
- 刚开始用Medium起步，跑起来之后看资源监控，再决定要不要升级。
- 如果需要GPU，记得勾选“Add GPU”选项。注意，GPU不是免费的，集群管理员一般会做配额限制。
- 别一上来就选Large + GPU，除非你确定你的代码能充分利用这些资源。
3.4 连接JupyterLab：终于可以写代码了
配置完成后，点击“Launch”。系统会开始创建Pod，这个过程大概需要30秒到2分钟不等，取决于镜像大小和集群负载。
创建完成后，状态会变成“Running”。这时候点击“Connect”按钮，浏览器会打开一个新的标签页——JupyterLab界面。
嗯，到这里，你的第一个Kubeflow Notebook就跑起来了。
第一次连接时，你可能会看到JupyterLab的经典界面：左侧是文件浏览器，右侧是代码编辑区。你可以：
- 新建一个Python 3 Notebook
- 打开终端执行命令
- 上传本地文件到工作区
试试在Notebook里跑一行代码：
print("Hello, Kubeflow!")如果能看到输出，恭喜你——你已经成功创建并连接了你的第一个Kubeflow Notebook。
!python --version 和 !pip list，确认环境符合预期。省得写到一半发现缺包，那才叫尴尬。
3.5 本章核心逻辑图
下面这张图帮你梳理了整个流程：
说白了，整个过程就是：登录 → 创建 → 选镜像 → 配资源 → 启动 → 连接 → 开干。每一步都有讲究，但别被吓到。多试几次，你就能找到最适合自己的配置组合。