pipelines

Übersicht über den Kubeflow-Pipeline-Dienst

Kubeflow ist ein Toolkit für maschinelles Lernen (ML), das darauf abzielt, die Bereitstellung von ML-Workflows auf Kubernetes einfach, portierbar und skalierbar zu machen.

Kubeflow-Pipelines sind wiederverwendbare End-to-End-ML-Workflows, die mit dem Kubeflow Pipelines SDK erstellt wurden.

Der Kubeflow-Pipeline-Dienst verfolgt die folgenden Ziele:

• End-to-End-Orchestrierung: Ermöglicht und vereinfacht die Orchestrierung von End-to-End-Pipelines für maschinelles Lernen
• Einfaches Experimentieren: So können Sie zahlreiche Ideen und Techniken ganz einfach ausprobieren und Ihre verschiedenen Versuche/Experimente verwalten.
• Einfache Wiederverwendung: Ermöglicht Ihnen die Wiederverwendung von Komponenten und Pipelines, um schnell End-to-End-Lösungen zusammenzustellen, ohne jedes Mal neu erstellen zu müssen.

Installation

• Kubeflow Pipelines können als Teil der Kubeflow-Plattform installiert werden. Alternativ können Sie Kubeflow Pipelines als eigenständigen Dienst bereitstellen.

• Die Docker-Containerlaufzeit ist auf Kubernetes 1.20+ veraltet. Kubeflow Pipelines hat ab Kubeflow Pipelines 1.8 standardmäßig auf die Verwendung von Emissary Executor umgestellt. Emissary Executor ist unabhängig von der Container-Laufzeit, was bedeutet, dass Sie Kubeflow Pipelines auf einem Kubernetes-Cluster mit beliebigen Container-Laufzeiten ausführen können.

Dokumentation

Beginnen Sie mit Ihrer ersten Pipeline und lesen Sie weitere Informationen in der Kubeflow-Pipelines-Übersicht.

Sehen Sie sich die verschiedenen Möglichkeiten an, wie Sie das Kubeflow Pipelines SDK verwenden können.

Informationen zur API-Spezifikation finden Sie im Kubeflow Pipelines API-Dokument.

Konsultieren Sie die Python SDK-Referenzdokumente, wenn Sie Pipelines mit dem Python SDK schreiben.

Beitrag zu Kubeflow Pipelines

Bevor Sie mit dem Beitragen zu Kubeflow Pipelines beginnen, lesen Sie die Richtlinien unter „Mitwirken“. Um zu erfahren, wie Sie Kubeflow-Pipelines aus Quellcode erstellen und bereitstellen, lesen Sie das Entwicklerhandbuch.

Kubeflow Pipelines Community-Treffen

Das Meeting findet jeden zweiten Mittwoch von 10 bis 11 Uhr (PST) statt. Laden Sie das Meeting direkt in den Kalender ein oder nehmen Sie daran teil

Besprechungsnotizen

Kubeflow Pipelines Slack Channel

#kubeflow-pipelines

Blogbeiträge

• Erste Schritte mit Kubeflow Pipelines (Von Amy Unruh)
• So erstellen und implementieren Sie eine Kubeflow-Pipeline für maschinelles Lernen (von Lak Lakshmanan)
  • Teil 1: So erstellen und stellen Sie eine Kubeflow-Pipeline für maschinelles Lernen bereit
  • Teil 2: So stellen Sie Jupyter-Notebooks als Komponenten einer Kubeflow ML-Pipeline bereit
  • Teil 3: So führen Sie CI/CD im maschinellen Lernen („MLOps“) mithilfe von Kubeflow ML-Pipelines durch
• Tekton-Optimierungen für Kubeflow Pipelines 2.0 (von Tommy Li)

Danksagungen

Kubeflow-Pipelines nutzen standardmäßig Argo Workflows, um Kubernetes-Ressourcen zu orchestrieren. Die Argo-Community hat uns sehr unterstützt und wir sind sehr dankbar. Darüber hinaus ist auch ein Tekton-Backend verfügbar. Um darauf zuzugreifen, lesen Sie bitte das Kubeflow Pipelines mit Tekton-Repository.