Kubeflow：云計算和機器學習的橋梁

定　價：￥79.00

作　者：	何金池等著
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥70.60)

ISBN：	9787121392771	出版時間：	2020-08-01	包裝：	平裝
開本：	16開	頁數(shù)：	248	字數(shù)：

內(nèi)容簡介

　　當前的IT界有兩大高速列車，一是以“Kubernetes”為標桿技術的云計算，二是以“Tensorflow和PyTorch”等為代表的機器學習。如何使二者結(jié)合起來，成為近期IT界討論的熱點。Kubeflow的橫空出世，有效的連接起了Kubernetes 和各個機器學習的框架，提供了機器學習在Kubernetes上的端到端的解決方案。本書講解Kubeflow以及其社區(qū)的技術棧，包括機器學習的流程編排技術Pipelines、并行模型訓練技術TFJob和PyTorchJob等、超參調(diào)優(yōu)技術Katib、服務發(fā)布KFServing，機器學習的Python SDK Fairing等，涉及到機器學習的各個方面。本書結(jié)合理論和實戰(zhàn)，詳細闡述了Kubeflow社區(qū)的新技術和新方案。最后，展望了Kubeflow的前景和AI Hub的發(fā)展趨勢。

作者簡介

　　何金池，高級軟件工程師，負責IBM Data & AI系統(tǒng)研發(fā)，Kubeflow社區(qū)Maintainer。李峰，高級軟件工程師，負責IBM 認知系統(tǒng)研發(fā)，Kubeflow社區(qū)Maintainer。劉光亞，IBM Cloud Pak for Multicloud Management的STSM（Senior Technical Staff Member），資深架構(gòu)師，負責IBM多云管理的研發(fā)與AI集成。劉侯剛，高級軟件工程師，負責IBM私有云研發(fā)，Kubeflow社區(qū)Maintainer，Katib聯(lián)合創(chuàng)始人。

圖書目錄

第1篇 IT兩大“高速列車”：云計算和機器學習
第1章云計算和KUBERNETES\t2
1．1 云計算\t2
1．1．1 云計算的歷史和發(fā)展\t2
1．1．2 為什么云計算會“飄”起來\t5
1．2 虛擬化使云計算輕松落地\t6
1．2．1 虛擬化為云計算“鋪上了輕軌”\t6
1．2．2 Docker的“燎原之火”\t7
1．2．3 Docker的hello-world應用\t9
1．3 KUBERNETES――云計算的新標桿\t11
1．3．1 Kubernetes的橫空出世\t11
1．3．2 Kubernetes的基本概念和架構(gòu)\t12
1．3．3 Kubernetes集群的部署\t16
1．3．4 Kubernetes的“Hello World”應用\t18
第2章機器學習\t24
2．1 人工智能的第三次“沖擊波”\t24
2．2 機器學習在生活中的應用\t28

2．3 機器學習的主流框架\t30
2．3．1 TensorFlow\t30
2．3．2 PyTorch\t32
2．3．3 scikit-learn\t33
2．3．4 XGBoost\t34
2．3．5 ONNX\t35
2．4 機器學習的“HELLO WORLD”\t36
2．4．1 MNIST數(shù)據(jù)集\t36
2．4．2 MNIST模型訓練\t37
第2篇 KUBEFLOW：連接云計算和機器學習的“橋梁”
第3章 KUBEFLOW概述\t40
3．1 KUBEFLOW是什么\t40
3．2 KUBEFLOW的發(fā)展\t42
3．3 KUBEFLOW的核心組件\t44
第4章 KUBEFLOW的部署與應用\t48
4．1 KUBEFLOW的安裝與部署\t48
4．1．1 Kubeflow的部署工具Kfctl\t48
4．1．2 Kubeflow Manifests與kustomize\t49
4．1．3 Kubeflow與Kubernetes版本的兼容性\t51
4．1．4 Kubeflow的安裝過程\t52
4．1．5 安裝后檢查\t54
4．2 KUBEFLOW的用戶故事\t56
4．3 KUBEFLOW端到端的用戶案例\t58
4．4 KUBEFLOW對IBM POWER平臺的支持\t67

第5章 KUBEFLOW PIPELINES流水線式機器學習\t69
5．1 KUBEFLOW PIPELINES是什么\t69
5．2 KUBEFLOW PIPELINES的基本概念\t71
5．3 KUBEFLOW PIPELINES的架構(gòu)\t73
5．4 PIPELINES SDK\t74
5．4．1 安裝Pipelines SDK\t75
5．4．2 Pipelines SDK代碼分析\t75
5．5 動手構(gòu)建自己的PIPELINES\t79
5．6 KUBEFLOW PIPELINES的實際應用\t82
第6章 KUBEFLOW OPERATOR自定義資源\t94
6．1 KUBERNETES CRD簡述\t94
6．2 TENSORFLOW OPERATOR\t96
6．2．1 TFJob的前世今生\t96
6．2．2 TFJob CRD\t96
6．2．3 故障定位\t102
6．2．4 TFJob Python SDK\t103
6．2．5 TFJob的應用實例\t105
6．3 PYTORCH OPERATOR\t107
6．3．1 PyTorchJob簡介\t108
6．3．2 PyTorchJob的實際應用\t109
6．4 其他OPERATOR\t111
6．4．1 XGBoost Operator\t111
6．4．2 Caffe2 Operator\t113
6．4．3 MPI Operator\t114
6．4．4 MXNet Operator\t115
6．4．5 Chainer Operator\t116

第7章 KUBEFLOW KATIB超參調(diào)優(yōu)\t118
7．1 機器學習中的超參調(diào)優(yōu)\t118
7．2 什么是KATIB\t120
7．3 KATIB的安裝方法\t120
7．4 KATIB的架構(gòu)\t121
7．5 KATIB的業(yè)務流程\t123
7．6 使用KATIB進行一次超參調(diào)優(yōu)\t125
第8章 KFSERVING解決機器學習“最后一公里”的問題\t133
8．1 KFSERVING是什么\t133
8．2 ISTIO簡介\t135
8．2．1 Service Mesh的概念\t135
8．2．2 Istio的架構(gòu)\t137
8．2．3 Istio的安裝方法\t138
8．3 KNATIVE簡介\t139
8．3．1 Knative的架構(gòu)\t139
8．3．2 Knative Serving\t140
8．3．3 Knative Serving的安裝方法\t142
8．4 KFSERVING的架構(gòu)分析\t142
8．4．1 KFServing的架構(gòu)\t142
8．4．2 KFServing Data Plane\t144
8．4．3 KFServing Control Plane\t146
8．5 KFSERVING PYTHON SDK\t148
8．5．1 KFServing Python SDK的安裝方法\t149
8．5．2 KFServing Python SDK Client支持的API\t149
8．5．3 KFServing Python SDK的應用\t153
8．6 KFSERVING的應用實例\t156
8．6．1 使用PVC訓練模型并發(fā)布服務\t156
8．6．2 InferenceService Transformer的應用\t157
第9章 KUBEFLOW FAIRING帶機器學習“飛”\t160
9．1 KUBEFLOW FAIRING是什么\t160
9．2 KUBEFLOW FAIRING的安裝方法\t162
9．2．1 本地安裝\t162
9．2．2 在Kubeflow Jupyter Notebook中更新Kubeflow Fairing SDK\t163
9．3 KUBEFLOW FAIRING的架構(gòu)分析\t165
9．4 KUBEFLOW FAIRING的源碼分析\t165
9．4．1 Kubeflow Fairing的入口程序文件Config．py\t165
9．4．2 Kubeflow Fairing Preprocessor\t166
9．4．3 Kubeflow Fairing Builder\t168
9．4．4 Kubeflow Fairing Deployer\t169
9．4．5 Kubeflow Fairing支持的High Level API\t171
9．5 KUBEFLOW FAIRING的應用實例\t171
第10章 KUBEFLOW METADATA\t176
10．1 KUBEFLOW METADATA簡述\t176
10．2 KUBEFLOW METADATA的架構(gòu)與設計\t177
10．3 METADATA支持的元數(shù)據(jù)和數(shù)據(jù)表\t180
10．4 KUBEFLOW METADATA實戰(zhàn)\t183
10．4．1 安裝Kubeflow Metadata組件\t183
10．4．2 Kubeflow Metadata的應用實例\t184
10．4．3 Metadata的展示\t186
第11章 KUBEBENCH機器學習哪家強\t188
11．1 先從BENCHMARK說起\t188
11．2 KUBEBENCH的安裝方法\t190
11．3 KUBEBENCH的架構(gòu)\t190
11．4 KUBEBENCH的實踐\t193
第12章 KUBEFLOW中的JUPYTER NOTEBOOK HUB\t195
12．1 JUPYTER NOTEBOOK簡述\t195
12．2 JUPYTER NOTEBOOK的架構(gòu)及其運行原理\t196
12．3 KUBEFLOW JUPYTER NOTEBOOK的組件及其使用方法\t197
第3篇 KUBEFLOW的應用和展望
第13章 KUBEFLOW的應用實戰(zhàn)\t205
13．1 在云平臺上進行機器學習\t205
13．2 基于KUBEFLOW的SEQ2SEQ機器學習案例\t220
13．2．1 Seq2Seq模型簡介\t220
13．2．2 在Kubeflow平臺上運行Seq2Seq案例\t222
第14章 KUBEFLOW前景展望和AI HUB\t233
14．1 KUBEFLOW 1．0的功能和計劃\t233
14．2 基于KUBEFLOW的AI HUB新模式\t234
14．3 智能云中的AIAAS（AI服務）\t237