Kubeflow：云计算和机器学习的桥梁

微信公众号：计算机与网络安全

▼

Kubeflow：云计算和机器学习的桥梁

（全文略）

第1篇 IT两大“高速列车”：云计算和机器学习

第1章 云计算和Kubernetes

1.1 云计算

1.1.1 云计算的历史和发展

1.1.2 为什么云计算会“飘”起来

1.2 虚拟化使云计算轻松落地

1.2.1 虚拟化为云计算“铺上了轻轨”

1.2.2 Docker的“燎原之火”

1.2.3 Docker的hello-world应用

1.3 Kubernetes——云计算的新标杆

1.3.1 Kubernetes的横空出世

1.3.2 Kubernetes的基本概念和架构

1.3.3 Kubernetes集群的部署

1.3.4 Kubernetes的“Hello World”应用

第2章 机器学习

2.1 人工智能的第三次“冲击波”

2.2 机器学习在生活中的应用

2.3 机器学习的主流框架

2.3.1 TensorFlow

2.3.2 PyTorch

2.3.3 scikit-learn

2.3.4 XGBoost

2.3.5 ONNX

2.4 机器学习的“Hello World”

2.4.1 MNIST数据集

2.4.2 MNIST模型训练

第2篇 Kubeflow：连接云计算和机器学习的“桥梁”

第3章 Kubeflow概述

3.1 Kubeflow是什么

3.2 Kubeflow的发展

3.3 Kubeflow的核心组件

第4章 Kubeflow的部署与应用

4.1 Kubeflow的安装与部署

4.1.1 Kubeflow的部署工具Kfctl

4.1.2 KubeflowManifests与kustomize

4.1.3 Kubeflow与Kubernetes版本的兼容性

4.1.4 Kubeflow的安装过程

4.1.5 安装后检查

4.2 Kubeflow的用户故事

4.3 Kubeflow端到端的用户案例

4.4 Kubeflow对IBM POWER平台的支持

第5章 Kubeflow Pipelines流水线式机器学习

5.1 Kubeflow Pipelines是什么

5.2 Kubeflow Pipelines的基本概念

5.3 Kubeflow Pipelines的架构

5.4 Pipelines SDK

5.4.1 安装Pipelines SDK

5.4.2 Pipelines SDK代码分析

5.5 动手构建自己的Pipelines

5.6 Kubeflow Pipelines的实际应用

第6章 Kubeflow Operator自定义资源

6.1 Kubernetes CRD简述

6.2 TensorFlow Operator

6.2.1 TFJob的前世今生

6.2.2 TFJob CRD

6.2.3 故障定位

6.2.4 TFJob Python SDK

6.2.5 TFJob的应用实例

6.3 PyTorch Operator

6.3.1 PyTorchJob简介

6.3.2 PyTorchJob的实际应用

6.4 其他Operator

6.4.1 XGBoost Operator

6.4.2 Caffe2 Operator

6.4.3 MPI Operator

6.4.4 MXNet Operator

6.4.5 Chainer Operator

第7章 Kubeflow Katib超参调优

7.1 机器学习中的超参调优

7.2 什么是Katib

7.3 Katib的安装方法

7.4 Katib的架构

7.5 Katib的业务流程

7.6 使用Katib进行一次超参调优

第8章 KFServing解决机器学习“最后一公里”的问题

8.1 KFServing是什么

8.2 Istio简介

8.2.1 Service Mesh的概念

8.2.2 Istio的架构

8.2.3 Istio的安装方法

8.3 Knative简介

8.3.1 Knative的架构

8.3.2 Knative Serving

8.3.3 Knative Serving的安装方法

8.4 KFServing的架构分析

8.4.1 KFServing的架构

8.4.2 KFServing Data Plane

8.4.3 KFServing Control Plane

8.5 KFServing Python SDK

8.5.1 KFServing Python SDK的安装方法

8.5.2 KFServing Python SDK Client支持的API

8.5.3 KFServing Python SDK的应用

8.6 KFServing的应用实例

8.6.1 使用PVC训练模型并发布服务

8.6.2 InferenceService Transformer的应用

第9章 Kubeflow Fairing带机器学习“飞”

9.1 Kubeflow Fairing是什么

9.2 Kubeflow Fairing的安装方法

9.2.1 本地安装

9.2.2 在Kubeflow Jupyter Notebook中更新Kubeflow Fairing SDK

9.3 Kubeflow Fairing的架构分析

9.4 Kubeflow Fairing的源码分析

9.4.1 Kubeflow Fairing的入口程序文件Config.py

9.4.2 Kubeflow Fairing Preprocessor

9.4.3 Kubeflow Fairing Builder

9.4.4 Kubeflow Fairing Deployer

9.4.5 Kubeflow Fairing支持的High Level API

9.5 Kubeflow Fairing的应用实例

第10章 Kubeflow Metadata

10.1 Kubeflow Metadata简述

10.2 Kubeflow Metadata的架构与设计

10.3 Metadata支持的元数据和数据表

10.4 Kubeflow Metadata实战

10.4.1 安装Kubeflow Metadata组件

10.4.2 Kubeflow Metadata的应用实例

10.4.3 Metadata的展示

第11章 Kubebench机器学习哪家强

11.1 先从Benchmark说起

11.2 Kubebench的安装方法

11.3 Kubebench的架构

11.4 Kubebench的实践

第12章 Kubeflow中的Jupyter Notebook Hub

12.1 Jupyter Notebook简述

12.2 Jupyter Notebook的架构及其运行原理

12.3 Kubeflow Jupyter Notebook的组件及其使用方法

第3篇 Kubeflow的应用和展望

第13章 Kubeflow的应用实战

13.1 在云平台上进行机器学习

13.2 基于Kubeflow的Seq2Seq机器学习案例

13.2.1 Seq2Seq模型简介

13.2.2 在Kubeflow平台上运行Seq2Seq案例

第14章 Kubeflow前景展望和AI Hub

14.1 Kubeflow 1.0的功能和计划

14.2 基于Kubeflow的AI Hub新模式

14.3 智能云中的AIaaS（AI服务）

▲
- The end -