Kubeflow学习指南 生产级机器学习系统实现

如果你正在训练一个机器学习模型，但不确定如何将其投入生产，本书将协助你完成目标。Kubeflow为模型生命周期的不同阶段提供了一系列云原生工具，从数据探索和特征准备到模型训练和模型服务。本书可以帮助数据科学家用Kubeflow构建生产级机器学习实现，并向数据工程师展示了如何使模型具有可伸缩性和可靠性。作者使用书中的示例解释了如何使用Kubeflow在云端或者本地开发环境中的Kubernetes上训练机器学习模型并为模型提供服务。本书将帮助你： - 理解Kubeflow的设计、核心组件和所能解决的问题。 - 使用Kubeflow和流行的工具（包括Scikit-learn、TensorFlow和Apache Spark）训练模型。 - 使用Kubeflow 流水线使模型保持近期新状态。 - 了解如何获取模型训练的元数据。 - 为超参调优进行训练。 - 了解如何在生产中为模型提供服务。 - 探索如何用其他开源工具扩展Kubeflow。

如果你正在训练一个机器学习模型，但不确定如何将其投入生产，本书将协助你完成目标。Kubeflow为模型生命周期的不同阶段提供了一系列云原生工具，从数据探索和特征准备到模型训练和模型服务。本书可以帮助数据科学家用Kubeflow构建生产级机器学习实现，并向数据工程师展示了如何使模型具有可伸缩性和可靠性。 作者使用书中的示例解释了如何使用Kubeflow在云端或者本地开发环境中的Kubernetes上训练机器学习模型并为模型提供服务。 本书将帮助你： 理解Kubeflow的设计、核心组件和所能解决的问题。 使用Kubeflow和流行的工具（包括Scikit-learn、TensorFlow和ApacheSpark）训练模型。 使用Kubeflow流水线使模型保持状态。 了解如何获取模型训练的元数据。 为超参调优进行训练。 了解如何在生产中为模型提供服务。 探索如何用其他开源工具扩展Kubeflow。

Trevor Gran是Apache Mahout的PMC主席。并积极参与Apache Mahout、Apache Streams和Community Development等项目。

序言
前言
第1章 Kubeflow及其适用对象
1.1 模型开发生命周期
1.2 Kubeflow 适合什么场景
1.3 为什么需要容器化
1.4 为什么需要 Kubernetes
1.5 Kubeflow的设计和核心组件
1.6 Kubeflow的替代方案
1.7 案例研究
1.8 总结
第2章 你好，Kubeflow
2.1 搭建Kubeflow
2.2 训练和部署模型
2.3 超越本地部署
2.4 总结
第3章 Kubeflow设计：超越基础
3.1 中央仪表盘
3.2 支持组件
3.3 总结
第4章 Kubeflow Pipeline
4.1 Pipeline入门
4.2 Kubeflow Pipeline组件介绍
4.3 Pipeline高级主题
4.4 总结
第5章 数据准备和特征准备
5.1 选择正确的工具
5.2 本地数据准备和特征准备
5.3 分布式工具
5.4 将其整合到一个Pipeline中
5.5 将整个notebook作为数据准备Pipeline阶段使用
5.6 总结
第6章 制品和元数据存储
6.1 Kubeflow ML Metadata
6.2 基于Kubeflow的MLflow元数据工具
6.3 总结
第7章 训练机器学习模型
7.1 用TensorFlow构建推荐器
7.2 部署TensorFlow训练作业
7.3 分布式训练
7.4 使用scikit-learn训练模型
7.5 总结
第8章 模型推断
8.1 模型服务
8.2 模型监控
8.3 模型更新
8.4 推理要求概述
8.5 Kubeflow中的模型推理
8.6 TensorFlow Serving
8.7 Seldon Core
8.8 KFServing
8.9 总结
第9章 多工具使用案例
9.1 CT扫描去噪示例
9.2 共享Pipeline
9.3 总结
第10章 超参调优和自动化机器学习
10.1 AutoML概述
10.2 使用Kubeflow Katib进行超参调优
10.3 Katib概念
10.4 安装Katib
10.5 运行第一个Katib实验
10.6 调优分布式训练作业
10.7 神经网络架构搜索
10.8 Katib的优势
10.9 总结
附录A Argo执行器配置和权衡
附录B 特定于云的工具和配置
附录C 在应用程序中使用模型服务