Kubeflow

基于 Kubernetes 的开源机器学习平台，提供流水线编排、Notebook 与模型服务组件，适合自建 MLOps。

Kubeflow 是一个面向 Kubernetes 的原生开源机器学习平台，旨在解决从模型开发、训练到部署全流程中基础设施不一致的问题。它将 Kubeflow Pipelines、Notebook 服务器、模型推理服务等组件以可插拔方式集成，为团队在自建 Kubernetes 集群上落地 MLOps 提供了标准化路径。

核心组件

| 组件 | 功能定位 |

|------|----------|

| Kubeflow Pipelines | 基于 Argo 的流水线编排，支持 DAG 定义、组件复用与实验追踪 |

| Central Dashboard | 统一入口，管理 Notebook、实验、任务与集群资源视图 |

| Notebook Server | 按需启动 JupyterLab 实例，支持自定义镜像与 GPU 资源分配 |

| KServe / KFServing | 模型服务层，提供高可用的 Serverless 推理，支持多框架协议 |

| Katib | 超参数调优与神经架构搜索，集成多种优化算法 |

| Fairing / SDK | 提供 Python SDK，实现从训练到部署的端到端封装 |

适用场景

• 已有 Kubernetes 基础设施的团队：利用现有资源池，不引入新的编排体系
• 需要多租户隔离的实验室环境：通过命名空间与 RBAC 实现项目级资源隔离
• 有自定义训练框架或模型需求：支持任意框架的容器化封装，不受内置算法限制
• 从实验到生产的标准化需求：流水线复用与版本管理，降低手工干预

使用体验关键点

• 上手门槛：要求操作者熟悉 Kubernetes 基本概念（Pod、PVC、Ingress），不适合零容器基础的团队
• 安装复杂度：可通过 kfctl 或 kubectl 部署，但依赖 Istio、Knative 等附加组件，建议使用官方清单或 Helm Chart 管理
• 资源占用：默认安装包含多个控制面组件，生产环境建议按需裁剪，仅保留 Pipeline 与 Notebook 模块
• 版本演进：项目已并入 Kubeflow 社区统一治理，组件间版本兼容性需关注 release 说明

选择建议

如果团队已经运行 Kubernetes 且需要一套可扩展的 ML 平台，Kubeflow 是当前开源生态中覆盖最全面的选项之一。但应明确的是，它并非开箱即用的 SaaS 产品，而是需要一定运维投入的框架。建议先使用 MiniKF 或单节点部署验证核心流程，再逐步扩展至生产集群。对于仅需轻量模型部署的场景，可考虑单独使用 KServe 而无需部署完整平台。

常见问题

Kubeflow 是什么？

基于 Kubernetes 的开源机器学习平台，提供流水线编排、Notebook 与模型服务组件，适合自建 MLOps。

Kubeflow 的官方网站是什么？

Kubeflow 的官方网站是 https://www.kubeflow.org，可直接在浏览器中打开使用。