序言1 前言3 第1章 Kubeflow及其适用对象13 1.1 模型开发生命周期13 1.2 Kubeflow 适合什么场景14 1.3 为什么需要容器化14 1.4 为什么需要 Kubernetes15 1.5 Kubeflow的设计和核心组件15 1.6 Kubeflow的替代方案19 1.7 案例研究21 1.8 总结22 第2章 你好,Kubeflow24 2.1 搭建Kubeflow24 2.2 训练和部署模型30 2.3 超越本地部署34 2.4 总结34 第3章 Kubeflow设计:超越基础35 3.1 **仪表盘36 3.2 支持组件43 3.3 总结50 第4章 Kubeflow Pipeline51 4.1 Pipeline入门51 4.2 Kubeflow Pipeline组件介绍60 4.3 Pipeline**主题68 4.4 总结72 第5章 数据准备和特征准备73 5.1 选择正确的工具74 5.2 本地数据准备和特征准备74 5.3 分布式工具78 5.4 将其整合到一个Pipeline中92 5.5 将整个notebook作为数据准备Pipeline阶段使用94 5.6 总结95 第6章 制品和元数据存储96 6.1 Kubeflow ML Metadata97 6.2 基于Kubeflow的MLflow元数据工具102 6.3 总结110 第7章 训练机器学习模型111 7.1 用TensorFlow构建**器111 7.2 部署TensorFlow训练作业117 7.3 分布式训练120 7.4 使用scikit-learn训练模型125 7.5 总结132 第8章 模型推断133 8.1 模型服务133 8.2 模型监控136 8.3 模型更新137 8.4 推理要求概述138 8.5 Kubeflow中的模型推理138 8.6 TensorFlow Serving139 8.7 Seldon Core143 8.8 KFServing158 8.9 总结174 第9章 多工具使用案例175 9.1 CT扫描去噪示例175 9.2 共享Pipeline186 9.3 总结186 第10章 超参调优和自动化机器学习187 10.1 AutoML概述187 10.2 使用Kubeflow Katib进行超参调优188 10.3 Katib概念189 10.4 安装Katib191 10.5 运行个Katib实验192 10.6 调优分布式训练作业200 10.7 神经网络架构搜索201 10.8 Katib的优势204 10.9 总结205 附录A Argo执行器配置和权衡207 附录B 特定于云的工具和配置208 附录C 在应用程序中使用模型服务210