ghcr.io/kubeflow/kfp-driver:2.17.2

Kubeflow Pipelines

Kubeflow Pipelines服务概述

Kubeflow 是一个机器学习（ML）工具包，致力于简化在Kubernetes上部署ML工作流，使其具备可移植性和可扩展性。

Kubeflow Pipelines 是使用Kubeflow Pipelines SDK构建的可重用端到端ML工作流。

Kubeflow Pipelines服务的目标如下：

• 端到端编排：支持并简化端到端机器学习管道的编排
• 轻松实验：让您能够轻松尝试多种想法和技术，并管理各种试验/实验
• 易于重用：使您能够重用组件和管道，快速构建端到端解决方案，无需每次重新构建

安装

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

• Kubernetes 1.20+ 已弃用 Docker 容器运行时。从 Kubeflow Pipelines 1.8 开始，Kubeflow Pipelines 默认切换为使用 Emissary Executor。Emissary Executor 与容器运行时无关，这意味着您可以在使用任何 https://kubernetes.io/docs/setup/production-environment/container-runtimes/ 的 Kubernetes 集群上运行 Kubeflow Pipelines。

依赖兼容性矩阵

[!IMPORTANT] KFP 3.0 兼容性说明：Argo Workflows 3.x 仍支持 KFP 2.x，但已被弃用，且 Kubeflow Pipelines 3.0 将不再支持。在升级到 KFP 3.0 之前，管理员必须将其 Argo Workflows 控制器升级到此矩阵中列出的受支持 4.x 版本。有关移除和迁移工作，请关注 https://github.com/kubeflow/pipelines/issues/***。

文档

通过 Kubeflow Pipelines 概述 开始使用您的第一个管道并阅读更多信息。

查看 https://kubeflow-pipelines.readthedocs.io/en/stable/。

有关 API 规范，请参见 Kubeflow Pipelines API 文档。

使用 Python SDK 编写管道时，请参考 https://kubeflow-pipelines.readthedocs.io/en/stable/。

Deep Wiki

查看我们在 DeepWiki 上的 AI 驱动的仓库文档。

[!WARNING] 请注意，这是 AI 生成的内容，可能包含不完全准确的信息。

为 Kubeflow Pipelines 贡献代码

在开始为 Kubeflow Pipelines 贡献代码之前，请阅读 贡献指南 中的准则。要了解如何从源代码构建和部署 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，此仓库在根目录包含一个可选的 https://github.com/casey/just 命令运行器。它为现有的 make 目标提供简短别名，不替代任何 CI 或发布工作流。

要使用它，请安装 just 并运行，例如：

just # 列出可用命令
just backend-test
just backend-images

注意：

• 所有 just 命令都是现有 make 目标的简单封装（例如，make -C backend/src/v2 test）。
• 有意不提供通用的 just build 或 just test 命令；耗时或涉及 Docker 构建的流程仅通过明确命名的命令（如 backend-images）公开。

Kubeflow Pipelines 社区

社区会议

Kubeflow Pipelines 社区会议每隔一周的周三上午 10-11 点（太平洋标准时间，PST）举行。

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

会议记录

Slack

我们在 Cloud Native Computing Foundation Slack 工作区设有 slack 频道（#kubeflow-pipelines）。您可以在 [***] 找到更多详细信息。

架构

有关 KFP 架构的详细信息，请参见 Architecture.md。

博客文章

• 从原始数据到模型服务：使用 Kubeflow 的 AI/ML 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）
• 如何创建和部署 Kubeflow 机器学习管道（作者：Lak Lakshmanan）
• 第 1 部分：如何创建和部署 Kubeflow 机器学习管道
• 第 2 部分：如何将 Jupyter 笔记本部署为 Kubeflow ML 管道的组件
• 第 3 部分：如何使用 Kubeflow ML 管道执行机器学习中的 CI/CD（“MLOps”）

致谢

Kubeflow Pipelines 默认在底层使用 https://github.com/argoproj/argo-workflows 来编排 Kubernetes 资源。Argo 社区一直给予大力支持，我们对此深表感谢。