Kubeflow學(xué)習(xí)指南：生產(chǎn)級機(jī)器學(xué)習(xí)系統(tǒng)實現(xiàn)

序言 1
前言 3
第1章 Kubeflow及其適用對象 13
1.1 模型開發(fā)生命周期 13
1.2 Kubeflow 適合什么場景 14
1.3 為什么需要容器化 14
1.4 為什么需要 Kubernetes 15
1.5 Kubeflow的設(shè)計和核心組件 15
1.6 Kubeflow的替代方案 19
1.7 案例研究 21
1.8 總結(jié) 22
第2章 你好，Kubeflow 24
2.1 搭建Kubeflow 24
2.2 訓(xùn)練和部署模型 30
2.3 超越本地部署 34
2.4 總結(jié) 34
第3章 Kubeflow設(shè)計：超越基礎(chǔ) 35
3.1 中央儀表盤 36
3.2 支持組件 43
3.3 總結(jié) 50
第4章 Kubeflow Pipeline 51
4.1 Pipeline入門 51
4.2 Kubeflow Pipeline組件介紹 60
4.3 Pipeline高級主題 68
4.4 總結(jié) 72
第5章 數(shù)據(jù)準(zhǔn)備和特征準(zhǔn)備 73
5.1 選擇正確的工具 74
5.2 本地數(shù)據(jù)準(zhǔn)備和特征準(zhǔn)備 74
5.3 分布式工具 78
5.4 將其整合到一個Pipeline中 92
5.5 將整個notebook作為數(shù)據(jù)準(zhǔn)備Pipeline階段使用 94
5.6 總結(jié) 95
第6章 制品和元數(shù)據(jù)存儲 96
6.1 Kubeflow ML Metadata 97
6.2 基于Kubeflow的MLflow元數(shù)據(jù)工具 102
6.3 總結(jié) 110
第7章 訓(xùn)練機(jī)器學(xué)習(xí)模型 111
7.1 用TensorFlow構(gòu)建推薦器 111
7.2 部署TensorFlow訓(xùn)練作業(yè) 117
7.3 分布式訓(xùn)練 120
7.4 使用scikit-learn訓(xùn)練模型 125
7.5 總結(jié) 132
第8章 模型推斷 133
8.1 模型服務(wù) 133
8.2 模型監(jiān)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 Serving 139
8.7 Seldon Core 143
8.8 KFServing 158
8.9 總結(jié) 174
第9章 多工具使用案例 175
9.1 CT掃描去噪示例 175
9.2 共享Pipeline 186
9.3 總結(jié) 186
第10章 超參調(diào)優(yōu)和自動化機(jī)器學(xué)習(xí) 187
10.1 AutoML概述 187
10.2 使用Kubeflow Katib進(jìn)行超參調(diào)優(yōu) 188
10.3 Katib概念 189
10.4 安裝Katib 191
10.5 運(yùn)行第一個Katib實驗 192
10.6 調(diào)優(yōu)分布式訓(xùn)練作業(yè) 200
10.7 神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索 201
10.8 Katib的優(yōu)勢 204
10.9 總結(jié) 205
附錄A Argo執(zhí)行器配置和權(quán)衡 207
附錄B 特定于云的工具和配置 208
附錄C 在應(yīng)用程序中使用模型服務(wù) 210