譯者序

“一橋飛架南北，天塹變通途”，用這句話來描述Kubeflow再恰當不過了。Kubeflow將云計算與機器學(xué)習(xí)這兩列高速列車緊密地聯(lián)系在一起，使得兩者相互補充，協(xié)同發(fā)展。Kubeflow并不僅僅是Kubernetes和TensorFlow的組合，各種機器學(xué)習(xí)主流框架（TensorFlow、PyTorch、Apache MXNet等）都可以在Kubeflow中大展身手。

Kubeflow是為數(shù)據(jù)科學(xué)家和數(shù)據(jù)工程師構(gòu)建生產(chǎn)級機器學(xué)習(xí)實現(xiàn)而設(shè)計的，在數(shù)據(jù)探索、特征準備、模型訓(xùn)練/調(diào)優(yōu)、模型服務(wù)、模型測試、模型監(jiān)控和模型版本管理等方面都提供內(nèi)置組件的支持。與此同時，Kubeflow的Pipeline（流水線）系統(tǒng)允許用戶建立集成的端到端Pipeline，用于連接模型開發(fā)生命周期（MDLC）中的所有組件。Kubeflow可以在本地的開發(fā)環(huán)境或生產(chǎn)集群中運行。通常情況下，Pipeline會在本地開發(fā)，在測試完成后遷移至其他環(huán)境。Kubeflow提供了一個統(tǒng)一的系統(tǒng)——利用Kubernetes進行容器化和擴展，以實現(xiàn)其Pipeline的可移植性和可重復(fù)性。

Kubeflow并不尋求重新發(fā)明輪子，也不提供“一刀切”的解決方案。相反，Kubeflow允許機器學(xué)習(xí)從業(yè)者根據(jù)特定需求組合和定制技術(shù)棧，簡化了大規(guī)模構(gòu)建和部署機器學(xué)習(xí)系統(tǒng)的過程。這使得數(shù)據(jù)科學(xué)家可以將精力集中在模型開發(fā)而不是基礎(chǔ)設(shè)施上。

本書采用循序漸進的方式，從Kubeflow的安裝、使用和設(shè)計開篇，隨后從模型訓(xùn)練的整個生命周期展開，既有相關(guān)的理論知識，又包括真實的案例，讓讀者在學(xué)習(xí)Kubeflow知識的同時能夠全面了解機器學(xué)習(xí)的相關(guān)知識，是入門和深入學(xué)習(xí)機器學(xué)習(xí)的良好書籍，希望讀者在閱讀本書以后能夠在機器學(xué)習(xí)工程的實踐之路上更加自信。

本書的翻譯比預(yù)想的要困難很多，從逐詞推敲到逐句整理，從逐段梳理到逐章組織，無論是學(xué)習(xí)技術(shù)還是翻譯整理，都是一件非常有挑戰(zhàn)的事情，但這也絕對是我所做過的最有意義的事情之一，希望本書能讓更多的機器學(xué)習(xí)工作者從中受益。

在此，要感謝愛人的大力支持和理解（經(jīng)常占用周末時間來翻譯）；感謝活潑可愛而又調(diào)皮的兒子給我生命中帶來了如此多的快樂并給予我不斷成長的機會。

感謝李忠明編輯的信任和翻譯過程中的耐心指導(dǎo)，這又是一次非常愉快的合作。

感謝馬達和高策百忙之中提供的幫助。

由于時間和譯者水平有限，譯稿中難免有不足之處，敬請批評勘正。

狄衛(wèi)華

2021年8月