ghcr.io/kubeflow/kfp-driver:run-37539314678-1

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 上实现简单、可移植且可扩展的 ML 工作流部署。

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：让您能够轻松尝试大量思路与技术，同时管理各类试验/实验
• 轻松复用：支持您复用组件与流水线，快速搭建端到端解决方案，无需每次都重新构建

安装

• Kubeflow Pipelines 可作为 Kubeflow 平台的一部分进行安装。您也可以将 Kubeflow Pipelines 作为独立服务部署。

• 流水线执行使用 https://argo-workflows.readthedocs.io/en/latest/workflow-executors/，该执行器独立于 Kubernetes 容器运行时。

依赖兼容性矩阵

[!IMPORTANT] KFP 3.0 兼容性说明：KFP 2.x 仍支持 Argo Workflows 3.x 版本，但该版本已被标记为弃用，Kubeflow Pipelines 3.0 将不再提供支持。升级到 KFP 3.0 之前，运维人员必须将 Argo Workflows 控制器升级至此矩阵中列出的受支持 4.x 版本。请关注 https://github.com/kubeflow/pipelines/issues/*** 了解移除逻辑与迁移工作的最新进展。

文档

您可以在 Kubeflow Pipelines 概述中了解首个流水线的入门方法，并查看更多相关信息。

您可以查看使用 https://kubeflow-pipelines.readthedocs.io/en/stable/ 的各类使用方式。

如需了解 API 规范，请参阅 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

您可以在 DeepWiki 查看由 AI 提供支持的本仓库文档。

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

为 Kubeflow Pipelines 做贡献

在开始为 Kubeflow Pipelines 贡献代码之前，请阅读 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

为方便本地开发者使用，本仓库在根目录下内置了可选的 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。

使用方式为安装 just 后执行相关命令，示例如下：

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

补充说明：

• 所有 just 配方都是对现有 make 目标的轻量封装（例如 make -C backend/src/v2 test）。
• 本实现刻意没有提供通用的 just build 或 just test 配方；所有高资源消耗或涉及 Docker 构建的流程仅通过明确命名的配方对外暴露，例如 backend-images。

Kubeflow Pipelines 社区

社区会议

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

会议记录

Slack 频道

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

架构

KFP 架构的详细说明可在 Architecture.md 中查看。

博客文章

• 从原始数据到模型服务：基于 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 Notebook 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的 CI/CD（“MLOps”）

致谢

Kubeflow 流水线默认底层使用 https://github.com/argoproj/argo-workflows 对 Kubernetes 资源进行编排。Argo 社区提供了大力支持，我们在此深表感谢。

[!NOTE] 本说明补充：文档头部提及的 KFP 官方镜像地址为 ghcr.io/kubeflow/kfp-driver，参考标签为 latest。