ghcr.io/kubeflow/kfp-api-server:run-37274921577-1

Kubeflow Pipelines

Kubeflow 流水线服务概述

Kubeflow 是一款机器学习（ML）工具集，致力于在 Kubernetes 上简单、便携、可扩展地部署 ML 工作流。

Kubeflow 流水线是使用 Kubeflow Pipelines SDK 构建的可复用端到端 ML 工作流。

Kubeflow 流水线服务的目标如下：

• 端到端编排：支持并简化端到端机器学习流水线的编排流程
• 便捷实验：支持用户快速尝试多种思路与技术，管理各类试验/实验
• 高效复用：支持复用组件与流水线，快速组装出端到端解决方案，无需每次从零构建

安装

• Kubeflow Pipelines 可作为 Kubeflow Platform 的一部分安装，也可以将 Kubeflow Pipelines 部署为独立服务。

• 流水线执行依赖独立于 Kubernetes 容器运行时的 https://argo-workflows.readthedocs.io/en/latest/workflow-executors/。

依赖兼容性矩阵

[!IMPORTANT] KFP 3.0 兼容性说明：Argo Workflows 3.x 目前仍为 KFP 2.x 提供支持，但已标记为废弃，Kubeflow Pipelines 3.0 将不再提供支持。升级到 KFP 3.0 前，运维人员必须将 Argo Workflows 控制器升级到此矩阵中列出的受支持 4.x 版本。相关移除与迁移工作请持续关注 https://github.com/kubeflow/pipelines/issues/***。

文档

如需运行第一条流水线并了解更多信息，请参阅 Kubeflow Pipelines 概述。

你可以通过多种方式 https://kubeflow-pipelines.readthedocs.io/en/stable/。

API 规范请查看 Kubeflow Pipelines API 文档。

使用 Python SDK 编写流水线时，请查阅 https://kubeflow-pipelines.readthedocs.io/en/stable/。

Deep Wiki

请访问 DeepWiki 查看由 AI 驱动的仓库文档。

[!WARNING] 请注意：该内容由 AI 生成，可能无法保证信息完全准确。

参与 Kubeflow Pipelines 贡献

在开始为 Kubeflow Pipelines 贡献代码前，请先阅读 贡献指南 中的规则。如需了解如何从源代码构建并部署 Kubeflow Pipelines，请阅读 开发者指南。

可选的 just 命令运行器

为方便本地开发人员使用，本仓库在根目录提供了可选的 https://github.com/casey/just 命令运行器，它为现有 make 目标提供了简短别名，不会替代任何 CI 或发布工作流。

使用方法为安装 just 后执行命令，示例如下：

just # 列出所有可用配方
just backend-test
just backend-images

说明：

• 所有 just 配方均为现有 make 目标的薄包装（例如对应 make -C backend/src/v2 test）。
• 本工具刻意未提供通用的 just build 或 just test 配方；重型操作或 Docker 构建流程仅通过显式命名的配方暴露，例如 backend-images。

Kubeflow Pipelines 社区

社区会议

Kubeflow Pipelines 社区会议每隔一周太平洋标准时间周三上午10点至11点召开。

https://calendar.google.com/event?action=TEMPLATE&tmeid=NTdoNG5uMDBtcnJlYmdlOWt1c2lkY25jdmlfMjAxOTExMTNUMTgwMDAwWiBqZXNzaWV6aHVAZ29vZ2xlLmNvbQ&tmsrc=jessiezhu%40google.com&scp=ALL

https://zoom.us/j/92607298595?pwd%3DVlKLUbiguGkbT9oKbaoDmCxrhbRop7.1&sa=D&source=calendar&ust=1736264977415448&usg=AOvVaw1EIkjFsKy0d4yQPptIJS3x

会议纪要

Slack

我们在云原生计算基金会 Slack 工作区中设有 #kubeflow-pipelines 频道，更多详情请访问 [***]。

架构

KFP 架构的详细信息请参阅 Architecture.md。

技术博客

• 从原始数据到模型服务：基于 Kubeflow 的 AI/ML 全生命周期蓝图（作者 https://github.com/hbelmiro）
• https://cloud.google.com/blog/products/ai-machine-learning/getting-started-kubeflow-pipelines（作者 Amy Unruh）
• 如何创建并部署 Kubeflow 机器学习流水线（作者 Lak Lakshmanan）
• 第1部分：如何创建并部署 Kubeflow 机器学习流水线
• 第2部分：如何将 Jupyter 笔记本部署为 Kubeflow ML 流水线的组件
• 第3部分：如何使用 Kubeflow ML 流水线实现机器学习领域的 CI/CD（MLOps）

致谢

Kubeflow Pipelines 底层默认使用 https://github.com/argoproj/argo-workflows 编排 Kubernetes 资源。Argo 社区提供了大量支持，我们在此深表感谢。