Kubeflow: 云计算和机器学习的桥梁电子书

前折页

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