1.5　Kubeflow的設計和核心組件

機器學習領域存在諸多庫、工具集和框架。Kubeflow并不尋求重新發明輪子，也不提供“一刀切”的解決方案。相反，Kubeflow允許機器學習從業者根據特定需求組合和定制技術棧，以簡化大規模構建和部署機器學習系統的過程。這使得數據科學家可以將精力集中在模型開發上，而不是基礎設施上。

Kubeflow試圖通過三個特征來簡化機器學習：可組合性、可移植性和可擴展性。

可組合性

Kubeflow的核心組件來自機器學習從業者已經熟悉的數據科學工具。它們可以獨立使用，以促進機器學習的特定階段，也可以組合在一起形成端到端Pipeline。

可移植性

通過基于容器的設計并利用Kubernetes及其云原生架構，Kubeflow不限制開發環境。你可以在筆記本電腦上進行實驗和原型設計，并毫不費力地將其部署到生產中。

可擴展性

通過使用Kubernetes，Kubeflow可以根據集群上的需求，通過改變底層容器與機器的數量和大小來動態擴展[1]。

這些特征對MDLC的不同部分至關重要。隨著數據集的增長，可擴展性變得非常重要。可移植性對于避免廠商鎖定非常重要。可組合性讓你可以自由搭配最佳工具完成作業。

讓我們快速看看Kubeflow的部分組件，以及它們如何支持這些特征。

[1] 像Minikube這樣的本地集群只能使用一臺機器，但大多數云集群可以根據需要動態改變機器的類別和數量。