ghcr.io/kubeflow/kfp-persistence-agent:run-36592463064-1

Kubeflow Pipelines

Kubeflow Pipelines 服务概述

Kubeflow 是一个专注于在 Kubernetes 上简化 ML 工作流部署、保障其可移植性与可扩展性的机器学习（ML）工具包。

Kubeflow 流水线是基于 Kubeflow Pipelines SDK 构建的可复用端到端 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流水线的编排流程
• 便捷实验：支持您快速尝试各类思路与技术，同时可对各类试用/实验进行管理
• 便捷复用：支持您复用组件与流水线，快速搭建端到端解决方案，无需每次重新构建

安装

• Kubeflow Pipelines 可作为 Kubeflow 平台的组件之一完成安装。您也可以将 Kubeflow Pipelines 作为独立服务部署。

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

依赖项兼容性矩阵

[!IMPORTANT] KFP 3.0 兼容性说明：Argo Workflows 3.x 仍可被 KFP 2.x 支持，但已标记为废弃，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 控制器升级至此兼容性矩阵所列的任意 4.x 受支持版本。可关注 https://github.com/kubeflow/pipelines/issues/*** 了解移除旧版本支持与迁移工作的进展。

文档

您可以通过 Kubeflow Pipelines 概述 快速上手创建首个流水线，同时查看更多相关信息。

您也可以通过 https://kubeflow-pipelines.readthedocs.io/en/stable/ 了解 SDK 的各类使用方式。

如需查阅 API 规范，请参考 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

您可访问 DeepWiki 查看基于 AI 生成的仓库文档。

[!WARNING] 请注意：该内容由 AI 生成，可能存在信息不准确的问题。

为 Kubeflow Pipelines 做贡献

在开始为 Kubeflow Pipelines 贡献代码前，请先阅读 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 just 命令运行器

为方便本地开发，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，且不会替换任何 CI 或发布工作流。

使用前请先安装 just，运行示例如下：

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

注意事项：

• 所有 just 配方均为现有 make 目标的轻量封装（例如对应 make -C backend/src/v2 test）。
• 本工具特意未提供通用的 just build 或 just test 配方；占用资源较高或涉及 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 社区会议每两周召开一次，时间为太平洋标准时间周三上午 10 点至 11 点。

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

我们在云原生计算基金会的 Slack 工作区中设有专属频道 (#kubeflow-pipelines)，您可以在 [***] 查看更多详情。

架构

KFP 架构的详细说明请参考 Architecture.md。

相关博客文章

• 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 笔记本部署为 Kubeflow ML 流水线的组件
• 第 3 部分：如何基于 Kubeflow ML 流水线实现机器学习领域的 CI/CD（“MLOps”）

致谢

Kubeflow Pipelines 默认底层使用 [Argo Workflows] (https://github.com/argoproj/argo-workflows) 实现 Kubernetes 资源的编排。我们非常感谢 Argo 社区提供的大力支持。