pipelines

Ikhtisar layanan saluran pipa Kubeflow

Kubeflow adalah toolkit pembelajaran mesin (ML) yang didedikasikan untuk membuat penerapan alur kerja ML di Kubernetes menjadi sederhana, portabel, dan skalabel.

Pipeline Kubeflow adalah alur kerja ML end-to-end yang dapat digunakan kembali dan dibuat menggunakan Kubeflow Pipelines SDK.

Layanan pipeline Kubeflow memiliki tujuan sebagai berikut:

• Orkestrasi ujung ke ujung: mengaktifkan dan menyederhanakan orkestrasi alur pembelajaran mesin ujung ke ujung
• Eksperimen mudah: memudahkan Anda mencoba berbagai ide dan teknik, serta mengelola berbagai uji coba/eksperimen Anda.
• Penggunaan kembali yang mudah: memungkinkan Anda menggunakan kembali komponen dan saluran pipa untuk dengan cepat menyusun solusi ujung ke ujung, tanpa harus membuat ulang setiap kali.

Instalasi

• Pipa Kubeflow dapat dipasang sebagai bagian dari Platform Kubeflow. Alternatifnya, Anda dapat menerapkan Kubeflow Pipelines sebagai layanan mandiri.

• Runtime container Docker sudah tidak digunakan lagi di Kubernetes 1.20+. Kubeflow Pipelines telah beralih menggunakan Emissary Executor secara default dari Kubeflow Pipelines 1.8. Eksekutor utusan adalah agnostik runtime Container, artinya Anda dapat menjalankan Kubeflow Pipelines di cluster Kubernetes dengan runtime Container apa pun.

Dokumentasi

Mulailah dengan pipeline pertama Anda dan baca informasi lebih lanjut di ikhtisar Kubeflow Pipelines.

Lihat berbagai cara menggunakan Kubeflow Pipelines SDK.

Lihat dokumen API Kubeflow Pipelines untuk mengetahui spesifikasi API.

Lihat dokumen referensi Python SDK saat menulis alur menggunakan Python SDK.

Berkontribusi pada Saluran Pipa Kubeflow

Sebelum Anda mulai berkontribusi pada Kubeflow Pipelines, bacalah panduan di Cara Berkontribusi. Untuk mempelajari cara membangun dan menerapkan Kubeflow Pipelines dari kode sumber, baca panduan pengembang.

Pertemuan Komunitas Kubeflow Pipelines

Rapat diadakan setiap hari Rabu 10-11AM (PST) Kalender Undang atau Gabung Rapat Secara Langsung

Catatan pertemuan

Saluran Slack Pipa Kubeflow

#kubeflow-pipelines

Postingan blog

• Memulai Kubeflow Pipelines (Oleh Amy Unruh)
• Cara membuat dan menerapkan Pipeline Machine Learning Kubeflow (Oleh Lak Lakshmanan)
  • Bagian 1: Cara membuat dan menerapkan Pipeline Machine Learning Kubeflow
  • Bagian 2: Cara menerapkan notebook Jupyter sebagai komponen pipeline Kubeflow ML
  • Bagian 3: Cara menjalankan CI/CD dalam Machine Learning (“MLOps”) menggunakan pipeline Kubeflow ML
• Optimasi Tekton untuk Kubeflow Pipelines 2.0 (Oleh Tommy Li)

Ucapan Terima Kasih

Pipeline Kubeflow menggunakan Argo Workflows secara default untuk mengatur sumber daya Kubernetes. Komunitas Argo sangat mendukung dan kami sangat berterima kasih. Selain itu ada backend Tekton juga tersedia. Untuk mengaksesnya, silakan merujuk ke Kubeflow Pipelines dengan repositori Tekton.