Kubeflow：云計(jì)算和機(jī)器學(xué)習(xí)的橋梁

定　價(jià)：￥79.00

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

購(gòu)買這本書可以去

京東 (￥70.60)

ISBN：	9787121392771	出版時(shí)間：	2020-08-01	包裝：	平裝
開本：	16開	頁(yè)數(shù)：	248	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　當(dāng)前的IT界有兩大高速列車，一是以“Kubernetes”為標(biāo)桿技術(shù)的云計(jì)算，二是以“Tensorflow和PyTorch”等為代表的機(jī)器學(xué)習(xí)。如何使二者結(jié)合起來，成為近期IT界討論的熱點(diǎn)。Kubeflow的橫空出世，有效的連接起了Kubernetes 和各個(gè)機(jī)器學(xué)習(xí)的框架，提供了機(jī)器學(xué)習(xí)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(shù)棧，包括機(jī)器學(xué)習(xí)的流程編排技術(shù)Pipelines、并行模型訓(xùn)練技術(shù)TFJob和PyTorchJob等、超參調(diào)優(yōu)技術(shù)Katib、服務(wù)發(fā)布KFServing，機(jī)器學(xué)習(xí)的Python SDK Fairing等，涉及到機(jī)器學(xué)習(xí)的各個(gè)方面。本書結(jié)合理論和實(shí)戰(zhàn)，詳細(xì)闡述了Kubeflow社區(qū)的新技術(shù)和新方案。最后，展望了Kubeflow的前景和AI Hub的發(fā)展趨勢(shì)。

作者簡(jiǎn)介

　　何金池，高級(jí)軟件工程師，負(fù)責(zé)IBM Data & AI系統(tǒng)研發(fā)，Kubeflow社區(qū)Maintainer。李峰，高級(jí)軟件工程師，負(fù)責(zé)IBM 認(rèn)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(fù)責(zé)IBM多云管理的研發(fā)與AI集成。劉侯剛，高級(jí)軟件工程師，負(fù)責(zé)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(jì)算和機(jī)器學(xué)習(xí)
第1章云計(jì)算和KUBERNETES\t2
1．1 云計(jì)算\t2
1．1．1 云計(jì)算的歷史和發(fā)展\t2
1．1．2 為什么云計(jì)算會(huì)“飄”起來\t5
1．2 虛擬化使云計(jì)算輕松落地\t6
1．2．1 虛擬化為云計(jì)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(yīng)用\t9
1．3 KUBERNETES――云計(jì)算的新標(biāo)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(yīng)用\t18
第2章機(jī)器學(xué)習(xí)\t24
2．1 人工智能的第三次“沖擊波”\t24
2．2 機(jī)器學(xué)習(xí)在生活中的應(yīng)用\t28

2．3 機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)的“HELLO WORLD”\t36
2．4．1 MNIST數(shù)據(jù)集\t36
2．4．2 MNIST模型訓(xùn)練\t37
第2篇 KUBEFLOW：連接云計(jì)算和機(jī)器學(xué)習(xí)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(yīng)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(duì)IBM POWER平臺(tái)的支持\t67

第5章 KUBEFLOW PIPELINES流水線式機(jī)器學(xué)習(xí)\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(dòng)手構(gòu)建自己的PIPELINES\t79
5．6 KUBEFLOW PIPELINES的實(shí)際應(yīng)用\t82
第6章 KUBEFLOW OPERATOR自定義資源\t94
6．1 KUBERNETES CRD簡(jiǎn)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(yīng)用實(shí)例\t105
6．3 PYTORCH OPERATOR\t107
6．3．1 PyTorchJob簡(jiǎn)介\t108
6．3．2 PyTorchJob的實(shí)際應(yīng)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(jī)器學(xué)習(xí)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(wù)流程\t123
7．6 使用KATIB進(jìn)行一次超參調(diào)優(yōu)\t125
第8章 KFSERVING解決機(jī)器學(xué)習(xí)“最后一公里”的問題\t133
8．1 KFSERVING是什么\t133
8．2 ISTIO簡(jiǎn)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(jiǎn)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(yīng)用\t153
8．6 KFSERVING的應(yīng)用實(shí)例\t156
8．6．1 使用PVC訓(xùn)練模型并發(fā)布服務(wù)\t156
8．6．2 InferenceService Transformer的應(yīng)用\t157
第9章 KUBEFLOW FAIRING帶機(jī)器學(xué)習(xí)“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(yīng)用實(shí)例\t171
第10章 KUBEFLOW METADATA\t176
10．1 KUBEFLOW METADATA簡(jiǎn)述\t176
10．2 KUBEFLOW METADATA的架構(gòu)與設(shè)計(jì)\t177
10．3 METADATA支持的元數(shù)據(jù)和數(shù)據(jù)表\t180
10．4 KUBEFLOW METADATA實(shí)戰(zhàn)\t183
10．4．1 安裝Kubeflow Metadata組件\t183
10．4．2 Kubeflow Metadata的應(yīng)用實(shí)例\t184
10．4．3 Metadata的展示\t186
第11章 KUBEBENCH機(jī)器學(xué)習(xí)哪家強(qiáng)\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(shí)踐\t193
第12章 KUBEFLOW中的JUPYTER NOTEBOOK HUB\t195
12．1 JUPYTER NOTEBOOK簡(jiǎn)述\t195
12．2 JUPYTER NOTEBOOK的架構(gòu)及其運(yùn)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(yīng)用和展望
第13章 KUBEFLOW的應(yīng)用實(shí)戰(zhàn)\t205
13．1 在云平臺(tái)上進(jìn)行機(jī)器學(xué)習(xí)\t205
13．2 基于KUBEFLOW的SEQ2SEQ機(jī)器學(xué)習(xí)案例\t220
13．2．1 Seq2Seq模型簡(jiǎn)介\t220
13．2．2 在Kubeflow平臺(tái)上運(yùn)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(jì)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(wù)）\t237