ghcr.io/kubeflow/kfp-metadata-envoy:master

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，使其具备简单性、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
• 轻松重用：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，默认已切换为使用 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

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/%E3%80%82

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/%E3%80%82

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做贡献

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 # 列出可用的任务
just backend-test
just backend-images

注意：

• 所有just任务都是现有make目标的简单包装（例如，make -C backend/src/v2 test）。
• 故意不提供通用的just build或just test任务；耗时或Docker构建流程仅通过显式命名的任务（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

会议纪要

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实现AI/ML生命周期的蓝图（作者：https://github.com/hbelmiro%EF%BC%89
• https://cloud.google.com/blog/products/ai-machine-learning/getting-started-kubeflow-pipelines%EF%BC%88%E4%BD%9C%E8%80%85%EF%BC%9AAmy 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社区给予了大力支持，我们对此深表感谢。