电子工业出版社-网上书店

当前的IT界有两大高速列车，一是以“Kubernetes”为标杆技术的云计算，二是以“Tensorflow和PyTorch”等为代表的机器学习。如何使二者结合起来，成为近期IT界讨论的热点。Kubeflow的横空出世，有效的连接起了Kubernetes 和各个机器学习的框架，提供了机器学习在Kubernetes上的端到端的解决方案。本书讲解Kubeflow以及其社区的技术栈，包括机器学习的流程编排技术Pipelines、并行模型训练技术TFJob和PyTorchJob等、超参调优技术Katib、服务发布KFServing，机器学习的Python SDK Fairing等，涉及到机器学习的各个方面。本书结合理论和实战，详细阐述了Kubeflow社区的新技术和新方案。最后，展望了Kubeflow的前景和AI Hub的发展趋势。

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	2
1.1  云计算	2
1.1.1  云计算的历史和发展	2
1.1.2  为什么云计算会“飘”起来	5
1.2  虚拟化使云计算轻松落地	6
1.2.1  虚拟化为云计算“铺上了轻轨”	6
1.2.2  Docker的“燎原之火”	7
1.2.3  Docker的hello-world应用	9
1.3  KUBERNETES——云计算的新标杆	11
1.3.1  Kubernetes的横空出世	11
1.3.2  Kubernetes的基本概念和架构	12
1.3.3  Kubernetes集群的部署	16
1.3.4  Kubernetes的“Hello World”应用	18
第2章  机器学习	24
2.1  人工智能的第三次“冲击波”	24
2.2  机器学习在生活中的应用	28
 

2.3  机器学习的主流框架	30
2.3.1  TensorFlow	30
2.3.2  PyTorch	32
2.3.3  scikit-learn	33
2.3.4  XGBoost	34
2.3.5  ONNX	35
2.4  机器学习的“HELLO WORLD”	36
2.4.1  MNIST数据集	36
2.4.2  MNIST模型训练	37
第2篇  KUBEFLOW：连接云计算和机器学习的“桥梁”
第3章  KUBEFLOW概述	40
3.1  KUBEFLOW是什么	40
3.2  KUBEFLOW的发展	42
3.3  KUBEFLOW的核心组件	44
第4章  KUBEFLOW的部署与应用	48
4.1  KUBEFLOW的安装与部署	48
4.1.1  Kubeflow的部署工具Kfctl	48
4.1.2  Kubeflow Manifests与kustomize	49
4.1.3  Kubeflow与Kubernetes版本的兼容性	51
4.1.4  Kubeflow的安装过程	52
4.1.5  安装后检查	54
4.2  KUBEFLOW的用户故事	56
4.3  KUBEFLOW端到端的用户案例	58
4.4  KUBEFLOW对IBM POWER平台的支持	67
 

第5章  KUBEFLOW PIPELINES流水线式机器学习	69
5.1  KUBEFLOW PIPELINES是什么	69
5.2  KUBEFLOW PIPELINES的基本概念	71
5.3  KUBEFLOW PIPELINES的架构	73
5.4  PIPELINES SDK	74
5.4.1  安装Pipelines SDK	75
5.4.2  Pipelines SDK代码分析	75
5.5  动手构建自己的PIPELINES	79
5.6  KUBEFLOW PIPELINES的实际应用	82
第6章  KUBEFLOW OPERATOR自定义资源	94
6.1  KUBERNETES CRD简述	94
6.2  TENSORFLOW OPERATOR	96
6.2.1  TFJob的前世今生	96
6.2.2  TFJob CRD	96
6.2.3  故障定位	102
6.2.4  TFJob Python SDK	103
6.2.5  TFJob的应用实例	105
6.3  PYTORCH OPERATOR	107
6.3.1  PyTorchJob简介	108
6.3.2  PyTorchJob的实际应用	109
6.4  其他OPERATOR	111
6.4.1  XGBoost Operator	111
6.4.2  Caffe2 Operator	113
6.4.3  MPI Operator	114
6.4.4  MXNet Operator	115
6.4.5  Chainer Operator	116
 

第7章  KUBEFLOW KATIB超参调优	118
7.1  机器学习中的超参调优	118
7.2  什么是KATIB	120
7.3  KATIB的安装方法	120
7.4  KATIB的架构	121
7.5  KATIB的业务流程	123
7.6  使用KATIB进行一次超参调优	125
第8章  KFSERVING解决机器学习“最后一公里”的问题	133
8.1  KFSERVING是什么	133
8.2  ISTIO简介	135
8.2.1  Service Mesh的概念	135
8.2.2  Istio的架构	137
8.2.3  Istio的安装方法	138
8.3  KNATIVE简介	139
8.3.1  Knative的架构	139
8.3.2  Knative Serving	140
8.3.3  Knative Serving的安装方法	142
8.4  KFSERVING的架构分析	142
8.4.1  KFServing的架构	142
8.4.2  KFServing Data Plane	144
8.4.3  KFServing Control Plane	146
8.5  KFSERVING PYTHON SDK	148
8.5.1  KFServing Python SDK的安装方法	149
8.5.2  KFServing Python SDK Client支持的API	149
8.5.3  KFServing Python SDK的应用	153
8.6  KFSERVING的应用实例	156
8.6.1  使用PVC训练模型并发布服务	156
8.6.2  InferenceService Transformer的应用	157
第9章  KUBEFLOW FAIRING带机器学习“飞”	160
9.1  KUBEFLOW FAIRING是什么	160
9.2  KUBEFLOW FAIRING的安装方法	162
9.2.1  本地安装	162
9.2.2  在Kubeflow Jupyter Notebook中更新Kubeflow Fairing SDK	163
9.3  KUBEFLOW FAIRING的架构分析	165
9.4  KUBEFLOW FAIRING的源码分析	165
9.4.1  Kubeflow Fairing的入口程序文件Config.py	165
9.4.2  Kubeflow Fairing Preprocessor	166
9.4.3  Kubeflow Fairing Builder	168
9.4.4  Kubeflow Fairing Deployer	169
9.4.5  Kubeflow Fairing支持的High Level API	171
9.5  KUBEFLOW FAIRING的应用实例	171
第10章  KUBEFLOW METADATA	176
10.1  KUBEFLOW METADATA简述	176
10.2  KUBEFLOW METADATA的架构与设计	177
10.3  METADATA支持的元数据和数据表	180
10.4  KUBEFLOW METADATA实战	183
10.4.1  安装Kubeflow Metadata组件	183
10.4.2  Kubeflow Metadata的应用实例	184
10.4.3  Metadata的展示	186
第11章  KUBEBENCH机器学习哪家强	188
11.1  先从BENCHMARK说起	188
11.2  KUBEBENCH的安装方法	190
11.3  KUBEBENCH的架构	190
11.4  KUBEBENCH的实践	193
第12章  KUBEFLOW中的JUPYTER NOTEBOOK HUB	195
12.1  JUPYTER NOTEBOOK简述	195
12.2  JUPYTER NOTEBOOK的架构及其运行原理	196
12.3  KUBEFLOW JUPYTER NOTEBOOK的组件及其使用方法	197
第3篇  KUBEFLOW的应用和展望
第13章  KUBEFLOW的应用实战	205
13.1  在云平台上进行机器学习	205
13.2  基于KUBEFLOW的SEQ2SEQ机器学习案例	220
13.2.1  Seq2Seq模型简介	220
13.2.2  在Kubeflow平台上运行Seq2Seq案例	222
第14章  KUBEFLOW前景展望和AI HUB	233
14.1  KUBEFLOW 1.0的功能和计划	233
14.2  基于KUBEFLOW的AI HUB新模式	234
14.3  智能云中的AIAAS（AI服务）	237

第三次人工智能的“冲击波”提出了很多机器学习网络结构。卷积神经网络作为深度学习的代表之一，被广泛应用于计算机视觉识别系统、智能监控系统、社交网络图片标记，以及图像分类、机器人、无人机、自动驾驶汽车等场景。循环神经网络被广泛应用于自然语言理解、语音处理等场景。编/解码模型主要用于图像或序列生成，如机器翻译、文本摘要、图像描述问题等。胶囊网络作为深度神经网络的一种新兴形式，正在试图模仿人类大脑处理信息等。很多机器学习的成果已经成功落地，进入人们的工作和生活中。同时，随着时代的发展，机器学习面临的问题也越来越多。例如，大型的机器学习作业很难在本地完成，需要使用云端资源来提高模型训练的效率、降低服务维护的成本。
当前，云计算已经成为许多领域中必不可少的计算服务，机器学习也试图通过云计算来进行分布式训练，从而提高机器学习的模型训练效率，并且进一步扩展其应用范围。Kubernetes是云平台领域的标杆技术，广泛地应用于公有云、混合云和私有云的部署中。如何使机器学习更好地在基于Kubernetes的云平台上运行，是近年来IT行业的热点话题，也是各大IT公司试图解决的重要问题，Kubeflow就是在这样的背景下横空出世的。Kubeflow的诞生为Kubernetes生态系统画上了绚丽的一笔，对机器学习工程师来说，可谓雪中送炭。Kubeflow有效地连接起了机器学习和云计算两大领域，一时之间成了“兵家必争之地”。
本书在编写的过程中，得到了很多IBM同事和Kubeflow社区贡献者的帮助，特别是胡雷雷、寇潇、支阿龙、王占伟、台慧敏、贠振欧等，还得到了IBM经理王亮的大力支持，在此表示诚挚的感谢！
由于时间仓促，书中难免有不足之处，请读者勘正。本书是基于Kubeflow 0.7编写的，由于Kubeflow社区的高速发展，本书后期会有技术和方案上的改动，读者在阅读本书的过程中，还需要参考Kubeflow社区的最新资讯。此外，笔者会通过GitHub更新一些书中过期的方案和技术给读者作为参考。
何金池

本书配套资源下载

对不起，暂无音视频资源！

Kubeflow: 云计算和机器学习的桥梁