Kubeflow Pipeline - 构建一个机器学习 Workflow

最新推荐文章于 2025-06-25 16:00:00 发布

runzhliu

最新推荐文章于 2025-06-25 16:00:00 发布

阅读量2.7k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： Kubeflow

本文链接：https://blog.youkuaiyun.com/oscarun/article/details/99199912

Kubeflow 专栏收录该内容

7 篇文章

订阅专栏

本文介绍如何使用Kubeflow构建一个简单的机器学习工作流，包括训练代码的组件化、Pipeline的构建及运行。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1 Overview

前面文章介绍过如何通过 Pipeline 来构建工作流，因为 Kubeflow 主要是在机器学习的场景下使用的，那么本文就简单介绍一下怎么构建一个简单 ML 的工作流。

官网的给出的例子不是太直观，而且和 GCP 有比较强的耦合，不过仔细看看文档，还是可以总结出一套简单的方案的。提前说明一下，需要的工作并不会很多。

image_1dhvqcovi1gig1h5b1fqs1ngghfj9.png-133.4kB

2 ML Workflow

首先准备一段 Traning 的代码，这是一段很经典的 mnist 数据集训练的代码。

from __future__ import absolute_import, division, print_function, \
  unicode_literals

import tensorflow as tf


def train_model():
  mnist = tf.keras.datasets.mnist
  # 下载 mnist 数据集，可以离线提前下载后填写路径
  # 不填就要走公网下载数据了，数据量不大，十多兆
  (x_train, y_train), (x_test, y_test) = mnist.load_data()
  x_train, x_test = x_train / 255.0, x_test / 255.0

  model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10, activation='softmax')
  ])

  model.compile(optimizer='adam',
                loss='sparse_categorical_crossentropy',
                metrics=['accuracy'])
  model.fit(x_train, y_train, epochs=5)
  model.evaluate(x_test, y_test)


if __name__ == '__main__':
  train_model()

明确一下目标，我们需要把这个训练过程，放在 Pipeline 上运行，所以我们会将?的代码封装成一个 component，然后再构架 pipeline，这里会了方便，依然是构建一个包含一个 component 的 pipeline。

按照官方文档，可以通过其提供的 Python SDK，将这个 component 转化为可以通过 UI 上传的 zip 文件。

https://www.kubeflow.org/docs/pipelines/sdk/sdk-overview/

这里还是提供了两种方法，将代码封装成 component 的，一种是将你的代码用 Docker 镜像封装，另一种就是通过 Python SDK 来侵入代码，通过 Python 直接完成 build 和 push，反正不管怎样，本质上都会被封装成一个镜像，毕竟跑在 Pipeline 上的都是容器。

可以参考我编的 Dockerfile。

FROM tensorflow/tensorflow:1.14.0-py3
ADD mnist.py .
ENTRYPOINT ["python", "mnist.py"]

还有转成 zip 文件的 pipeline 构建代码。

#!/usr/bin/env python3
# mnist_op.py

import kfp
from kfp import dsl

def train_mnist_op():
  return dsl.ContainerOp(name='mnist', image='mnist:v0.0.1')

@dsl.pipeline(
    name='mnist train',
    description='test'
)
def pipeline():
  op = train_mnist_op()

if __name__ == '__main__':
  kfp.compiler.Compiler().compile(pipeline, __file__ + '.zip')

然后在目录下，运行 docker build -t mnist:v0.0.1 .，就完成镜像的构建了。然后就是运行代码构建 zip 文件。

dsl-compile --py mnist_op.py --output mnist_op.py.zip

结果如下。

image_1dhvr1av8l4tqu4gvc6rs1ifnm.png-169.5kB

通过 Pipeline UI 上传。

image_1dhvr34jr9lo1tto4h41psu1af13.png-180.8kB

创建 Run，并查看结果。

image_1dhvr4emg1ihv128a1lfg1cmi1gs51g.png-186.2kB

3 Summary

按照?的流程，应该就可以创建一个非常简答的 ML Pipeline 了，当然一个完整的流程，会切分成读取数据，清洗数据(Transform)，训练，然后输出模型，大家可以按照上述的访问，分别构建 component，然后最终构建起自己的 pipeline。