#Kubeflow

training-operator

Kubeflow Training Operator是一个Kubernetes原生工具，支持PyTorch、TensorFlow等多种框架的分布式训练。用户可以通过Kubernetes自定义资源API或Python SDK轻松部署和管理大规模机器学习模型的训练任务。项目还提供全面的监控设计和社区支持，是优化模型训练流程的理想工具。

distributed-ml-patterns

《Distributed Machine Learning Patterns》一书详细介绍了如何构建可扩展和高可靠性的机器学习系统。内容涵盖数据摄取、分布式训练、模型服务等方面，以及如何利用Kubernetes、TensorFlow、Kubeflow和Argo Workflows实现任务自动化。通过该书，读者将掌握关键概念与实际案例，并学会在大规模集群上管理和监控机器学习任务。本书适合具备基础机器学习知识的数据分析师、数据科学家和软件工程师。

mpi-operator

MPI Operator简化了在Kubernetes上运行Allreduce风格分布式训练的操作，并无缝集成到Kubeflow环境中。用户可通过简单的kubectl命令部署最新版本，并通过配置文件定义和创建MPI Job。该项目支持多节点TensorFlow训练，提供日志监控和训练进度查看功能。此外，MPI Operator与Kube-state-metrics集成，全面支持Docker镜像构建和推送。了解更多安装步骤、使用案例和贡献指南，请访问项目主页。

kubeflow

Kubeflow项目专注于在Kubernetes上简化、可移植且可扩展的AI/ML解决方案。它包含多个开源组件，支持机器学习生命周期的各个阶段，如模型服务、实验管理和数据流水线等。提供丰富的官方文档和社区支持，用户可以通过GitHub获取详细信息和技术支持，这是构建AI/ML应用的理想工具。

manifests

Kubeflow Manifests 项目提供了在 Kubernetes 上部署机器学习平台的 Kustomize 配置。它包含 Kubeflow 官方组件和常用服务，支持一键式或单独组件安装。该项目集成了训练操作器、Notebook 控制器等核心组件，以及 Istio、Knative 等服务。用户可灵活选择组件，轻松搭建定制化 Kubeflow 环境。

community

Kubeflow社区为机器学习平台提供开放、包容的协作环境。该社区鼓励各界人士参与讨论、会议和项目贡献，并遵循行为准则以确保公平参与。社区成员可通过提出创意和修复问题来推动项目发展。此外，社区制定了品牌使用指南，规范Kubeflow商标应用。社区仓库中的设计提案和流程文档为Kubeflow的持续演进提供了方向。

pipelines

Kubeflow Pipelines是基于Kubernetes的机器学习工作流程编排平台，旨在简化ML工作流的部署和管理。该平台提供端到端的编排功能，支持快速实验和组件复用，便于构建完整的ML解决方案。通过Kubeflow Pipelines SDK，开发者可创建可重用、可扩展的ML管道，提高ML项目的效率和可管理性。

awesome-kubeflow

Awesome-kubeflow收录了Kubeflow相关的优质项目和资源。作为CNCF孵化项目,Kubeflow致力于简化Kubernetes上的机器学习工作流部署。该列表涵盖Kubeflow核心组件、生态系统项目、书籍、博客和视频等全方位资源,适合开发者和数据科学家了解Kubeflow并应用于MLOps实践。