3.1.2　訓練operator

JupyterHub是用于數據初始實驗和ML作業原型的良好工具。然而，當在生產中進行訓練時，Kubeflow提供了一些訓練組件來自動執行機器學習算法，包括：

·Chainer訓練（https://oreil.ly/AjfwS）

·MPI訓練（https://oreil.ly/SK19W）

·Apache MXNet訓練（https://oreil.ly/FvDdQ）

·PyTorch訓練（https://oreil.ly/0z4j6）

·TensorFlow訓練（https://oreil.ly/YmGkx）

在Kubeflow中，分布式訓練作業由特定于應用程序的控制器（稱為operator）管理。這些operator擴展了Kubernetes API，用于創建、管理和修改資源的狀態。例如，要運行一個分布式的TensorFlow訓練作業，用戶只需要提供一個描述所需狀態的規范（工作節點和參數服務器的數量等），TensorFlow operator組件將負責其余的工作，并負責管理訓練作業的生命周期。

這些operator允許自動化重要的部署概念，例如，可擴展性、可觀測性和故障轉移。它們也可以被Pipeline使用，與系統中的其他組件進行鏈式執行。