ghcr.io/kubeflow/kfp-persistence-agent:2.17.1

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、便携化和可扩展化在Kubernetes上部署机器学习工作流。

Kubeflow Pipelines 是使用Kubeflow Pipelines SDK构建的可重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
• 轻松复用：使您能够复用组件和管道，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。

• Docker容器运行时在Kubernetes 1.20+版本中已被弃用。从Kubeflow Pipelines 1.8版本开始，默认使用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

[!WARNING] KFP 3.0兼容性说明：Argo Workflows 3.x在KFP 2.x中仍受支持，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控制器升级到本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驱动仓库文档。

[!WARNING] 请注意，这是AI生成的，可能包含不完全准确的信息。

为Kubeflow Pipelines贡献

在开始为Kubeflow Pipelines贡献之前，请阅读《如何贡献》中的指南。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，且不替换任何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社区会议每两周周三上午10-11点（太平洋标准时间）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实现AI/ML生命周期的蓝图（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）
• 第一部分：如何创建和部署Kubeflow机器学习管道
• 第二部分：如何将Jupyter笔记本部署为Kubeflow ML管道的组件
• 第三部分：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，我们深表感谢。