pipelines

ภาพรวมของบริการไปป์ไลน์ Kubeflow

Kubeflow เป็นชุดเครื่องมือแมชชีนเลิร์นนิง (ML) ที่มีไว้เพื่อทำให้เวิร์กโฟลว์ ML ใช้งานบน Kubernetes ได้ง่าย พกพาสะดวก และปรับขนาดได้

ไปป์ไลน์ Kubeflow เป็นเวิร์กโฟลว์ ML จากต้นทางถึงปลายทางที่นำมาใช้ซ้ำได้ซึ่งสร้างขึ้นโดยใช้ Kubeflow Pipelines SDK

บริการไปป์ไลน์ Kubeflow มีเป้าหมายดังต่อไปนี้:

• การเรียบเรียงตั้งแต่ต้นจนจบ: เปิดใช้งานและทำให้การเรียบเรียงของไปป์ไลน์แมชชีนเลิร์นนิงตั้งแต่ต้นจนจบง่ายขึ้น
• การทดลองที่ง่ายดาย: ทำให้เป็นเรื่องง่ายสำหรับคุณที่จะลองใช้แนวคิดและเทคนิคมากมาย และจัดการการทดลอง/การทดลองต่างๆ ของคุณ
• นำกลับมาใช้ใหม่ได้ง่าย: ช่วยให้คุณสามารถนำส่วนประกอบและไปป์ไลน์กลับมาใช้ใหม่เพื่อรวมโซลูชันตั้งแต่ต้นจนจบเข้าด้วยกันอย่างรวดเร็ว โดยไม่ต้องสร้างใหม่ทุกครั้ง

การติดตั้ง

• Kubeflow Pipelines สามารถติดตั้งเป็นส่วนหนึ่งของแพลตฟอร์ม Kubeflow ได้ หรือคุณสามารถปรับใช้ Kubeflow Pipelines เป็นบริการแบบสแตนด์อโลนได้

• รันไทม์คอนเทนเนอร์ Docker เลิกใช้งานแล้วบน Kubernetes 1.20+ Kubeflow Pipelines ได้เปลี่ยนไปใช้ Emissary Executor ตามค่าเริ่มต้นจาก Kubeflow Pipelines 1.8 ผู้ดำเนินการ Emissary คือผู้ไม่เชื่อเรื่องรันไทม์ของคอนเทนเนอร์ ซึ่งหมายความว่าคุณสามารถเรียกใช้ Kubeflow Pipelines บนคลัสเตอร์ Kubernetes ด้วยรันไทม์ของคอนเทนเนอร์ใดก็ได้

เอกสารประกอบ

เริ่มต้นใช้งานไปป์ไลน์แรกและอ่านข้อมูลเพิ่มเติมในภาพรวมไปป์ไลน์ Kubeflow

ดูวิธีต่างๆ ที่คุณสามารถใช้ Kubeflow Pipelines SDK ได้

ดูเอกสาร Kubeflow Pipelines API สำหรับข้อกำหนด API

ศึกษาเอกสารอ้างอิง Python SDK เมื่อเขียนไปป์ไลน์โดยใช้ Python SDK

มีส่วนร่วมใน Kubeflow Pipelines

ก่อนที่คุณจะเริ่มมีส่วนร่วมกับ Kubeflow Pipelines โปรดอ่านหลักเกณฑ์ในวิธีการมีส่วนร่วม หากต้องการเรียนรู้วิธีสร้างและปรับใช้ Kubeflow Pipelines จากซอร์สโค้ด โปรดอ่านคู่มือนักพัฒนา

การประชุมชุมชน Kubeflow Pipelines

การประชุมจะเกิดขึ้นทุกวันพุธ เวลา 10.00-11.00 น. (PST) ปฏิทินเชิญหรือเข้าร่วมการประชุมโดยตรง

บันทึกการประชุม

ท่อ Kubeflow Slack Channel

#kubeflow-ไปป์ไลน์

โพสต์ในบล็อก

• เริ่มต้นใช้งาน Kubeflow Pipelines (โดย Amy Unruh)
• วิธีสร้างและปรับใช้ Kubeflow Machine Learning Pipeline (โดย Lak Lakshmanan)
  • ส่วนที่ 1: วิธีสร้างและปรับใช้ Kubeflow Machine Learning Pipeline
  • ส่วนที่ 2: วิธีปรับใช้โน้ตบุ๊ก Jupyter เป็นส่วนประกอบของไปป์ไลน์ Kubeflow ML
  • ส่วนที่ 3: วิธีดำเนินการ CI/CD ใน Machine Learning (“MLOps”) โดยใช้ไปป์ไลน์ Kubeflow ML
• การเพิ่มประสิทธิภาพ Tekton สำหรับ Kubeflow Pipelines 2.0 (โดย Tommy Li)

รับทราบ

ไปป์ไลน์ Kubeflow จะใช้ Argo Workflows เป็นค่าเริ่มต้นภายใต้ประทุนเพื่อประสานทรัพยากร Kubernetes ชุมชน Argo ให้การสนับสนุนอย่างมาก และเรารู้สึกขอบคุณเป็นอย่างยิ่ง นอกจากนี้ยังมีแบ็กเอนด์ Tekton ด้วยเช่นกัน หากต้องการเข้าถึง โปรดดูที่ Kubeflow Pipelines พร้อม Tekton repository