Kubeflow 核心组件全解析

📚 共计 30 章节

Kubeflow 初探

什么是 Kubeflow？它解决了什么问题？核心组件全景图。

Kubernetes 集群搭建与 Kubeflow 安装部署（含多节点与单节点方案）。

中央仪表盘

Central Dashboard 的功能解析与自定义配置。

流水线编排（上）

Pipeline 核心概念——组件（Component）与图（Graph）。

流水线编排（下）

Pipeline SDK 实战——从 YAML 定义到 Python DSL。

Experiments 与 Runs——如何组织、追踪和比较机器学习实验。

笔记本天堂

Kubeflow Notebooks——Jupyter Lab 的云端化与资源管理。

NotebookJupyter

交互式开发

如何配置 Notebook 的 CPU/GPU 资源与自定义镜像。

模型训练基石

Training Operators 概览——TFJob、PyTorchJob、MPIJob。

分布式训练实战

使用 TFJob 实现 TensorFlow 分布式训练。

PyTorch 分布式训练

PyTorchJob 的配置与弹性训练。

Katib 核心概念——Experiment、Trial、Suggestion。

配置超参搜索空间与多种搜索算法（随机、贝叶斯、TPE）。

元数据追踪

Metadata 组件——记录 Artifacts、Executions 与 Contexts。

元数据追踪

模型注册中心

Model Registry——模型版本管理与元数据存储。

模型服务（上）

KFServing 核心概念——InferenceService 与 Predictor。

KFServing推理

模型服务（下）

KFServing 高级功能——Transformer、Explainer 与自动伸缩。

Alibi Detect——数据漂移与模型漂移检测。

Feast 集成——在线特征与离线特征的管理。

自动化流水线

如何利用 Pipelines + Katib + KFServing 构建 AutoML 闭环。

多租户管理

Kubeflow 的 Profile 与 RBAC 权限控制。

PVC、MinIO、MySQL 等后端存储的配置与最佳实践。

将 Kubeflow Pipelines 集成到 GitOps 工作流中。

使用 Fairing 简化模型训练与部署的镜像构建流程。

Kubeflow 各组件的资源限制与性能优化建议。

日志与监控

集成 Elasticsearch + Kibana 与 Prometheus + Grafana。

常见安装错误、Pod 启动失败、Pipeline 运行失败的处理。

TLS 证书配置、OIDC 身份认证与 Secrets 管理。

Kubeflow 1.7/1.8 新特性与社区路线图解读。

社区路线图

从数据准备到模型部署——构建一个完整的端到端 ML 平台。

实战端到端