编辑推荐
本书详解Kubeflow技术栈，连接Kubernetes与机器学习，提供端到端解决方案。
内容简介
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。
章节目录
封面
前折页
版权信息
内容简介
前言
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 Kubeflow Manifests 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）
后折页
封底
Kubeflow:云计算和机器学习的桥梁是2020年由电子工业出版社出版,作者何金池等。
得书感谢您对《Kubeflow:云计算和机器学习的桥梁》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
