ghcr.io/kubeflow/kfp-launcher:run-36584457470-1

Kubeflow Pipelines

Kubeflow Pipelines 服务概述

Kubeflow 是一款机器学习（ML）工具包，致力于让 Kubernetes 上的机器学习工作流部署实现简单化、可移植化与可扩展化。

Kubeflow Pipelines 是基于 Kubeflow Pipelines SDK 构建的可复用端到端机器学习工作流。

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流水线的编排流程
• 便捷实验：支持用户快速尝试大量创意与技术方案，统一管理各类试验与实验
• 易于复用：支持用户复用组件与流水线，快速搭建端到端解决方案，无需每次从零构建

安装

• Kubeflow Pipelines 可作为 Kubeflow 平台 的组成部分完成安装，也可以作为独立服务部署 Kubeflow Pipelines。

• 流水线执行采用 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。升级至 KFP 3.0 之前，运维人员必须将 Argo Workflows 控制器升级到本矩阵中列出的 4.x 系列受支持版本。相关移除与迁移工作可跟踪 https://github.com/kubeflow/pipelines/issues/*** 获取最新进展。

文档

请阅读 Kubeflow Pipelines 概述 开始创建你的第一条流水线，获取更多相关信息。

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

参考 Kubeflow Pipelines API 文档 获取 API 规范说明。

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

Deep Wiki

可在 DeepWiki 查看本项目基于 AI 生成的仓库文档。

[!WARNING] 请注意：该内容由 AI 生成，无法保证信息完全准确。

参与 Kubeflow Pipelines 贡献

在开始为 Kubeflow Pipelines 提交贡献前，请先阅读 贡献指南 中的规范内容。如需了解如何从源码构建并部署 Kubeflow Pipelines，请查阅 开发者指南。

可选 just 命令运行器

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

安装 just 后即可使用，示例如下：

just # 列出所有可用执行配方
just backend-test
just backend-images

说明：

• 所有 just 执行配方均为现有 make 目标的轻量包装，例如对应 make -C backend/src/v2 test。
• 本项目未提供通用的 just build 或 just test 配方；涉及高资源占用或 Docker 构建的流程仅通过显式命名的配方提供，例如 backend-images。

Kubeflow Pipelines 社区

社区会议

Kubeflow Pipelines 社区会议每隔一周的太平洋时间周三上午10点至11点举行。

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

会议笔记

Slack 频道

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 架构的详细说明请查阅 Architecture.md。

技术博客

• 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）
• 第一部分：如何创建并部署 Kubeflow 机器学习流水线
• 第二部分：如何将 Jupyter Notebook 部署为 Kubeflow ML 流水线的组件
• 第三部分：如何通过 Kubeflow ML 流水线实现机器学习领域的 CI/CD（即 MLOps）

致谢

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