Kubeflow：雲計算和機器學習的橋樑

第1篇 IT兩大“高速列車”：雲計算和機器學習
第1章 雲計算和KUBERNETES 2
1．1 雲計算 2
1．1．1 雲計算的歷史和發展 2
1．1．2 為什麼雲計算會“飄”起來 5
1．2 虛擬化使雲計算輕鬆落地 6
1．2．1 虛擬化為雲計算“鋪上了輕軌” 6
1．2．2 Docker的“燎原之火” 7
1．2．3 Docker的hello-world應用 9
1．3 KUBERNETES――雲計算的新標杆 11
1．3．1 Kubernetes的橫空出世 11
1．3．2 Kubernetes的基本概念和架構 12
1．3．3 Kubernetes集群的部署 16
1．3．4 Kubernetes的“Hello World”應用 18
第2章 機器學習 24
2．1 人工智慧的第三次“衝擊波” 24
2．2 機器學習在生活中的應用 28
2．3 機器學習的主流框架 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 機器學習的“HELLO WORLD” 36
2．4．1 MNIST資料集 36
2．4．2 MNIST模型訓練 37

第2篇 KUBEFLOW：連接雲計算和機器學習的“橋樑”
第3章 KUBEFLOW概述 40
3．1 KUBEFLOW是什麼 40
3．2 KUBEFLOW的發展 42
3．3 KUBEFLOW的核心組件 44
第4章 KUBEFLOW的部署與應用 48
4．1 KUBEFLOW的安裝與部署 48
4．1．1 Kubeflow的部署工具Kfctl 48
4．1．2 Kubeflow Manifests與kustomize 49
4．1．3 Kubeflow與Kubernetes版本的相容性 51
4．1．4 Kubeflow的安裝過程 52
4．1．5 安裝後檢查 54
4．2 KUBEFLOW的用戶故事 56
4．3 KUBEFLOW端到端的用戶案例 58
4．4 KUBEFLOW對IBM POWER平臺的支援 67

第5章 KUBEFLOW PIPELINES流水線式機器學習 69
5．1 KUBEFLOW PIPELINES是什麼 69
5．2 KUBEFLOW PIPELINES的基本概念 71
5．3 KUBEFLOW PIPELINES的架構 73
5．4 PIPELINES SDK 74
5．4．1 安裝Pipelines SDK 75
5．4．2 Pipelines SDK代碼分析 75
5．5 動手構建自己的PIPELINES 79
5．6 KUBEFLOW PIPELINES的實際應用 82

第6章 KUBEFLOW OPERATOR自訂資源 94
6．1 KUBERNETES CRD簡述 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的應用實例 105
6．3 PYTORCH OPERATOR 107
6．3．1 PyTorchJob簡介 108
6．3．2 PyTorchJob的實際應用 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超參調優 118
7．1 機器學習中的超參調優 118
7．2 什麼是KATIB 120
7．3 KATIB的安裝方法 120
7．4 KATIB的架構 121
7．5 KATIB的業務流程 123
7．6 使用KATIB進行一次超參調優 125

第8章 KFSERVING解決機器學習“最後一公里”的問題 133
8．1 KFSERVING是什麼 133
8．2 ISTIO簡介 135
8．2．1 Service Mesh的概念 135
8．2．2 Istio的架構 137
8．2．3 Istio的安裝方法 138
8．3 KNATIVE簡介 139
8．3．1 Knative的架構 139
8．3．2 Knative Serving 140
8．3．3 Knative Serving的安裝方法 142
8．4 KFSERVING的架構分析 142
8．4．1 KFServing的架構 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的安裝方法 149
8．5．2 KFServing Python SDK Client支持的API 149
8．5．3 KFServing Python SDK的應用 153
8．6 KFSERVING的應用實例 156
8．6．1 使用PVC訓練模型並發佈服務 156
8．6．2 InferenceService Transformer的應用 157

第9章 KUBEFLOW FAIRING帶機器學習“飛” 160
9．1 KUBEFLOW FAIRING是什麼 160
9．2 KUBEFLOW FAIRING的安裝方法 162
9．2．1 本地安裝 162
9．2．2 在Kubeflow Jupyter Notebook中更新Kubeflow Fairing SDK 163
9．3 KUBEFLOW FAIRING的架構分析 165
9．4 KUBEFLOW FAIRING的源碼分析 165
9．4．1 Kubeflow Fairing的入口程式檔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的應用實例 171

第10章 KUBEFLOW METADATA 176
10．1 KUBEFLOW METADATA簡述 176
10．2 KUBEFLOW METADATA的架構與設計 177
10．3 METADATA支持的中繼資料和資料表 180
10．4 KUBEFLOW METADATA實戰 183
10．4．1 安裝Kubeflow Metadata組件 183
10．4．2 Kubeflow Metadata的應用實例 184
10．4．3 Metadata的展示 186

第11章 KUBEBENCH機器學習哪家強 188
11．1 先從BENCHMARK說起 188
11．2 KUBEBENCH的安裝方法 190
11．3 KUBEBENCH的架構 190
11．4 KUBEBENCH的實踐 193

第12章 KUBEFLOW中的JUPYTER NOTEBOOK HUB 195
12．1 JUPYTER NOTEBOOK簡述 195
12．2 JUPYTER NOTEBOOK的架構及其運行原理 196
12．3 KUBEFLOW JUPYTER NOTEBOOK的元件及其使用方法 197

第3篇 KUBEFLOW的應用和展望
第13章 KUBEFLOW的應用實戰 205
13．1 在雲平臺上進行機器學習 205
13．2 基於KUBEFLOW的SEQ2SEQ機器學習案例 220
13．2．1 Seq2Seq模型簡介 220
13．2．2 在Kubeflow平臺上運行Seq2Seq案例 222

第14章 KUBEFLOW前景展望和AI HUB 233
14．1 KUBEFLOW 1．0的功能和計畫 233
14．2 基於KUBEFLOW的AI HUB新模式 234
14．3 智慧雲中的AIAAS（AI服務） 237