Kubeflow文档1：介绍与架构

Kubeflow 2024/3/19版本的文档

此专栏用来展示相关的内容翻译，重点关注本地部署，关于运营商的方案，请自行查阅

文档地址https://www.kubeflow.org/docs/

开始编辑时间：2024/3/27；最后编辑时间2024/3/27

Kubeflow文档1：介绍与架构

---

介绍

Kubeflow介绍

Kubeflow项目致力于在Kubernetes上简化、可移植和扩展机器学习（ML）工作流的部署。我们的目标不是重新创建其他服务，而是为ML部署最佳开源系统提供直观的方式，以适应不同的基础设施。只要您在运行Kubernetes，您就应该能够运行Kubeflow。

下图显示了主要的Kubeflow组件，涵盖了在Kubernetes上每个ML生命周期步骤的过程。

什么是kubeflow

Kubeflow是用于Kubernetes的机器学习工具包。

要使用Kubeflow，基本工作流程如下：

1. 下载并运行Kubeflow部署二进制文件。
2. 自定义生成的配置文件。
3. 运行指定的脚本将您的容器部署到您的特定环境中。

您可以调整配置以选择用于ML工作流每个阶段的平台和服务：

• 数据准备
• 模型训练
• 预测服务
• 服务管理

您可以选择在本地、本地设备上，或者云环境中部署您的Kubernetes工作负载。

kubeflow的任务

我们的目标是尽可能简化机器学习（ML）模型的扩展和部署到生产环境中，通过让 Kubernetes 发挥其优势：

1. 在多样化的基础设施上进行简单、可重复、可移植的部署（例如，在笔记本上进行实验，然后移动到本地集群或云端）
2. 部署和管理松耦合的微服务
3. 根据需求进行扩展 由于 ML 从业者使用各种各样的工具，其中一个关键目标是根据用户需求（在合理范围内）定制堆栈，并让系统处理“无聊的事情”。虽然我们已经开始使用一套狭窄的技术，但我们正在与许多不同的项目合作，以包含更多的工具。

最终，我们希望拥有一组简单的清单，让您能够在任何已经运行 Kubernetes 的地方轻松使用 ML 堆栈，并且可以根据部署的集群自动配置。

历史

Kubeflow起初是将Google内部运行TensorFlow的方式开源化的一种方式，基于一个名为TensorFlow Extended的流水线。它最初只是一种在Kubernetes上运行TensorFlow作业的简单方式，但现已扩展为一个多架构、多云的框架，用于运行端到端的机器学习工作流程。

路线图

Kubeflow的未来路线图，参考Kubeflow roadmap.

下面的组件也有路线图：

• Kubeflow Pipelines
• KF Serving
• Katib
• Training Operator

架构

架构章节的内容过时了，但是官方还没有更新，我会在更新后及时更新博客内容

Kubeflow架构一览

Kubeflow 是一个用于开发和部署机器学习系统的平台。对于想要构建和测试机器学习流水线的数据科学家来说，Kubeflow 是一个很好的选择。同时，对于机器学习工程师和运维团队来说，Kubeflow 也适用于将机器学习系统部署到各种环境中，包括开发、测试和生产级别的服务。

概念一览

Kubeflow是针对Kubernetes的机器学习工具包。

以下图表显示了Kubeflow作为一个平台，用于在Kubernetes上安排机器学习系统的组件：

Kubeflow基于Kubernetes构建，用于部署、扩展和管理复杂系统。使用Kubeflow配置界面（见下文），您可以指定工作流程所需的ML工具。然后，您可以将工作流程部署到各种云端、本地和本地平台上，用于实验和生产用途。

介绍ML工作流

当您开发和部署机器学习系统时，机器学习工作流通常包括几个阶段。开发机器学习系统是一个迭代过程。您需要评估机器学习工作流的各个阶段的输出，并在必要时对模型和参数进行更改，以确保模型能够产生您需要的结果。

为简单起见，以下图表显示了工作流阶段的顺序。工作流的末端箭头指向回流，表示这个过程的迭代性质。

在机器学习工作流程中，有两个主要阶段：实验阶段和生产阶段。

实验阶段的详细步骤如下：

1. 确定要让机器学习系统解决的问题。
2. 收集和分析训练机器学习模型所需的数据。
3. 选择一个机器学习框架和算法，并编写模型的初始版本。
4. 对数据进行实验，并训练模型。
5. 调整模型的超参数，以确保处理最有效率并获得最准确的结果。

生产阶段的详细步骤如下：

1. 将数据转换成训练系统所需的格式。为了确保模型在训练和预测过程中行为一致，转换过程在实验阶段和生产阶段必须相同。
2. 训练机器学习模型。
3. 将模型提供给在线预测或批处理运行。
4. 监控模型的性能，并将结果反馈到调整或重新训练模型的过程中。

ML工作流中的Kubeflow组件

下面的图将Kubeflow添加到工作流中，显示了在每个阶段哪些Kubeflow组件是有用的:

Kubeflow包含用于生成和管理Jupyter笔记本的服务。使用笔记本进行交互式数据科学和实验机器学习工作流程。

Kubeflow Pipelines是一个基于Docker容器构建、部署和管理多步骤机器学习工作流程的平台。

Kubeflow提供了几个组件，您可以使用这些组件在多个平台上构建机器学习训练、超参数调整和模型服务工作负载。

特定ML工作流的例子

以下图表展示了一个简单的特定机器学习工作流程示例，您可以使用它来训练并提供一个在MNIST数据集上训练的模型：

Kubeflow接口

本节介绍了可用于与Kubeflow交互以及在Kubeflow上构建和运行ML工作流的接口

Kubeflow用户接口 (UI)

如下所示：

UI 提供了一个中央仪表板，您可以使用它来访问您的 Kubeflow 部署的组件。

Kubeflow APIs和SDKs

Kubeflow提供了各种组件的API和Python SDK参考文档，包括以下内容：

1. Pipelines reference docs：涵盖Kubeflow Pipelines API和SDK，包括Kubeflow Pipelines领域特定语言（DSL）的文档。
2. Fairing reference docs：涵盖Kubeflow Fairing SDK的文档。