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 2
1.1 云计算 2
1.1.1 云计算的历史和发展 2
1.1.2 为什么云计算会“飘”起来 5
1.2 虚拟化使云计算轻松落地 6
1.2.1 虚拟化为云计算“铺上了轻轨” 6
1.2.2 Docker的“燎原之火” 7
1.2.3 Docker的hello-world应用 9
1.3 KUBERNETES——云计算的新标杆 11
1.3.1 Kubernetes的横空出世 11
1.3.2 Kubernetes的基本概念和架构 12
1.3.3 Kubernetes集群的部署 16
1.3.4 Kubernetes的“Hello World”应用 18
第2章 机器学习 24
2.1 人工智能的第三次“冲击波” 24
2.2 机器学习在生活中的应用 28


2.3 机器学习的主流框架 30
2.3.1 TensorFlow 30
2.3.2 PyTorch 32
2.3.3 scikit-learn 33
2.3.4 XGBoost 34
2.3.5 ONNX 35
2.4 机器学习的“HELLO WORLD” 36
2.4.1 MNIST数据集 36
2.4.2 MNIST模型训练 37
第2篇 KUBEFLOW：连接云计算和机器学习的“桥梁”
第3章 KUBEFLOW概述 40
3.1 KUBEFLOW是什么 40
3.2 KUBEFLOW的发展 42
3.3 KUBEFLOW的核心组件 44
第4章 KUBEFLOW的部署与应用 48
4.1 KUBEFLOW的安装与部署 48
4.1.1 Kubeflow的部署工具Kfctl 48
4.1.2 Kubeflow Manifests与kustomize 49
4.1.3 Kubeflow与Kubernetes版本的兼容性 51
4.1.4 Kubeflow的安装过程 52
4.1.5 安装后检查 54
4.2 KUBEFLOW的用户故事 56
4.3 KUBEFLOW端到端的用户案例 58
4.4 KUBEFLOW对IBM POWER平台的支持 67


第5章 KUBEFLOW PIPELINES流水线式机器学习 69
5.1 KUBEFLOW PIPELINES是什么 69
5.2 KUBEFLOW PIPELINES的基本概念 71
5.3 KUBEFLOW PIPELINES的架构 73
5.4 PIPELINES SDK 74
5.4.1 安装Pipelines SDK 75
5.4.2 Pipelines SDK代码分析 75
5.5 动手构建自己的PIPELINES 79
5.6 KUBEFLOW PIPELINES的实际应用 82
第6章 KUBEFLOW OPERATOR自定义资源 94
6.1 KUBERNETES CRD简述 94
6.2 TENSORFLOW OPERATOR 96
6.2.1 TFJob的前世今生 96
6.2.2 TFJob CRD 96
6.2.3 故障定位 102
6.2.4 TFJob Python SDK 103
6.2.5 TFJob的应用实例 105
6.3 PYTORCH OPERATOR 107
6.3.1 PyTorchJob简介 108
6.3.2 PyTorchJob的实际应用 109
6.4 其他OPERATOR 111
6.4.1 XGBoost Operator 111
6.4.2 Caffe2 Operator 113
6.4.3 MPI Operator 114
6.4.4 MXNet Operator 115
6.4.5 Chainer Operator 116


第7章 KUBEFLOW KATIB超参调优 118
7.1 机器学习中的超参调优 118
7.2 什么是KATIB 120
7.3 KATIB的安装方法 120
7.4 KATIB的架构 121
7.5 KATIB的业务流程 123
7.6 使用KATIB进行一次超参调优 125
第8章 KFSERVING解决机器学习“最后一公里”的问题 133
8.1 KFSERVING是什么 133
8.2 ISTIO简介 135
8.2.1 Service Mesh的概念 135
8.2.2 Istio的架构 137
8.2.3 Istio的安装方法 138
8.3 KNATIVE简介 139
8.3.1 Knative的架构 139
8.3.2 Knative Serving 140
8.3.3 Knative Serving的安装方法 142
8.4 KFSERVING的架构分析 142
8.4.1 KFServing的架构 142
8.4.2 KFServing Data Plane 144
8.4.3 KFServing Control Plane 146
8.5 KFSERVING PYTHON SDK 148
8.5.1 KFServing Python SDK的安装方法 149
8.5.2 KFServing Python SDK Client支持的API 149
8.5.3 KFServing Python SDK的应用 153
8.6 KFSERVING的应用实例 156
8.6.1 使用PVC训练模型并发布服务 156
8.6.2 InferenceService Transformer的应用 157
第9章 KUBEFLOW FAIRING带机器学习“飞” 160
9.1 KUBEFLOW FAIRING是什么 160
9.2 KUBEFLOW FAIRING的安装方法 162
9.2.1 本地安装 162
9.2.2 在Kubeflow Jupyter Notebook中更新Kubeflow Fairing SDK 163
9.3 KUBEFLOW FAIRING的架构分析 165
9.4 KUBEFLOW FAIRING的源码分析 165
9.4.1 Kubeflow Fairing的入口程序文件Config.py 165
9.4.2 Kubeflow Fairing Preprocessor 166
9.4.3 Kubeflow Fairing Builder 168
9.4.4 Kubeflow Fairing Deployer 169
9.4.5 Kubeflow Fairing支持的High Level API 171
9.5 KUBEFLOW FAIRING的应用实例 171
第10章 KUBEFLOW METADATA 176
10.1 KUBEFLOW METADATA简述 176
10.2 KUBEFLOW METADATA的架构与设计 177
10.3 METADATA支持的元数据和数据表 180
10.4 KUBEFLOW METADATA实战 183
10.4.1 安装Kubeflow Metadata组件 183
10.4.2 Kubeflow Metadata的应用实例 184
10.4.3 Metadata的展示 186
第11章 KUBEBENCH机器学习哪家强 188
11.1 先从BENCHMARK说起 188
11.2 KUBEBENCH的安装方法 190
11.3 KUBEBENCH的架构 190
11.4 KUBEBENCH的实践 193
第12章 KUBEFLOW中的JUPYTER NOTEBOOK HUB 195
12.1 JUPYTER NOTEBOOK简述 195
12.2 JUPYTER NOTEBOOK的架构及其运行原理 196
12.3 KUBEFLOW JUPYTER NOTEBOOK的组件及其使用方法 197
第3篇 KUBEFLOW的应用和展望
第13章 KUBEFLOW的应用实战 205
13.1 在云平台上进行机器学习 205
13.2 基于KUBEFLOW的SEQ2SEQ机器学习案例 220
13.2.1 Seq2Seq模型简介 220
13.2.2 在Kubeflow平台上运行Seq2Seq案例 222
第14章 KUBEFLOW前景展望和AI HUB 233
14.1 KUBEFLOW 1.0的功能和计划 233
14.2 基于KUBEFLOW的AI HUB新模式 234
14.3 智能云中的AIAAS（AI服务） 237