人工智能 类型
可以朗读 语音朗读
111千字 字数
2020-08-01 发行日期
展开全部

主编推荐语

本书详解Kubeflow技术栈，连接Kubernetes与机器学习，提供端到端解决方案。

内容简介

当前的IT界有两大高速列车，一是以“Kubernetes”为标杆技术的云计算，二是以“Tensorflow和PyTorch”等为代表的机器学习。如何使二者结合起来，成为近期IT界讨论的热点。Kubeflow的横空出世，有效的连接起了Kubernetes和各个机器学习的框架，提供了机器学习在Kubernetes上的端到端的解决方案。本书讲解Kubeflow以及其社区的技术栈，包括机器学习的流程编排技术Pipelines、并行模型训练技术TFJob和PyTorchJob等、超参调优技术Katib、服务发布KFServing,机器学习的Python SDK Fairing等，涉及到机器学习的各个方面。本书结合理论和实战，详细阐述了Kubeflow社区的新技术和新方案。最后，展望了Kubeflow的前景和AI Hub的发展趋势。

目录

  • 封面
  • 前折页
  • 版权信息
  • 内容简介
  • 前言
  • 第1篇　IT 两大“高速列车”：云计算和机器学习
  • 第1章　云计算和Kubernetes
  • 1.1　云计算
  • 1.1.1　云计算的历史和发展
  • 1.1.2　为什么云计算会“飘”起来
  • 1.2　虚拟化使云计算轻松落地
  • 1.2.1　虚拟化为云计算“铺上了轻轨”
  • 1.2.2　Docker 的“燎原之火”
  • 1.2.3　Docker 的hello-world 应用
  • 1.3　Kubernetes——云计算的新标杆
  • 1.3.1　Kubernetes 的横空出世
  • 1.3.2　Kubernetes 的基本概念和架构
  • 1.3.3　Kubernetes 集群的部署
  • 1.3.4　Kubernetes 的“Hello World”应用
  • 第2章　机器学习
  • 2.1　人工智能的第三次“冲击波”
  • 2.2　机器学习在生活中的应用
  • 2.3　机器学习的主流框架
  • 2.3.1　TensorFlow
  • 2.3.2　PyTorch
  • 2.3.3　scikit-learn
  • 2.3.4　XGBoost
  • 2.3.5　ONNX
  • 2.4　机器学习的“Hello World”
  • 2.4.1　MNIST 数据集
  • 2.4.2　MNIST 模型训练
  • 第2篇　Kubeflow：连接云计算和机器学习的“桥梁”
  • 第3章　Kubeflow 概述
  • 3.1　Kubeflow 是什么
  • 3.2　Kubeflow 的发展
  • 3.3　Kubeflow 的核心组件
  • 第4章　Kubeflow 的部署与应用
  • 4.1　Kubeflow 的安装与部署
  • 4.1.1　Kubeflow 的部署工具Kfctl
  • 4.1.2　Kubeflow Manifests 与kustomize
  • 4.1.3　Kubeflow 与Kubernetes 版本的兼容性
  • 4.1.4　Kubeflow 的安装过程
  • 4.1.5　安装后检查
  • 4.2　Kubeflow 的用户故事
  • 4.3　Kubeflow 端到端的用户案例
  • 4.4　Kubeflow 对IBM POWER 平台的支持
  • 第5章　Kubeflow Pipelines 流水线式机器学习
  • 5.1　Kubeflow Pipelines 是什么
  • 5.2　Kubeflow Pipelines 的基本概念
  • 5.3　Kubeflow Pipelines 的架构
  • 5.4　Pipelines SDK
  • 5.4.1　安装Pipelines SDK
  • 5.4.2　Pipelines SDK 代码分析
  • 5.5　动手构建自己的Pipelines
  • 5.6　Kubeflow Pipelines 的实际应用
  • 第6章　Kubeflow Operator 自定义资源
  • 6.1　Kubernetes CRD 简述
  • 6.2　TensorFlow Operator
  • 6.2.1　TFJob 的前世今生
  • 6.2.2　TFJob CRD
  • 6.2.3　故障定位
  • 6.2.4　TFJob Python SDK
  • 6.2.5　TFJob 的应用实例
  • 6.3　PyTorch Operator
  • 6.3.1　PyTorchJob 简介
  • 6.3.2　PyTorchJob 的实际应用
  • 6.4　其他Operator
  • 6.4.1　XGBoost Operator
  • 6.4.2　Caffe2 Operator
  • 6.4.3　MPI Operator
  • 6.4.4　MXNet Operator
  • 6.4.5　Chainer Operator
  • 第7章　Kubeflow Katib 超参调优
  • 7.1　机器学习中的超参调优
  • 7.2　什么是Katib
  • 7.3　Katib 的安装方法
  • 7.4　Katib 的架构
  • 7.5　Katib 的业务流程
  • 7.6　使用Katib 进行一次超参调优
  • 第8章　KFServing 解决机器学习“最后一公里”的问题
  • 8.1　KFServing 是什么
  • 8.2　Istio 简介
  • 8.2.1　Service Mesh 的概念
  • 8.2.2　Istio 的架构
  • 8.2.3　Istio 的安装方法
  • 8.3　Knative 简介
  • 8.3.1　Knative 的架构
  • 8.3.2　Knative Serving
  • 8.3.3　Knative Serving 的安装方法
  • 8.4　KFServing 的架构分析
  • 8.4.1　KFServing 的架构
  • 8.4.2　KFServing Data Plane
  • 8.4.3　KFServing Control Plane
  • 8.5　KFServing Python SDK
  • 8.5.1　KFServing Python SDK 的安装方法
  • 8.5.2　KFServing Python SDK Client 支持的API
  • 8.5.3　KFServing Python SDK 的应用
  • 8.6　KFServing 的应用实例
  • 8.6.1　使用PVC 训练模型并发布服务
  • 8.6.2　InferenceService Transformer 的应用
  • 第9章　Kubeflow Fairing 带机器学习“飞”
  • 9.1　Kubeflow Fairing 是什么
  • 9.2　Kubeflow Fairing 的安装方法
  • 9.2.1　本地安装
  • 9.2.2　在Kubeflow Jupyter Notebook 中更新Kubeflow Fairing SDK
  • 9.3　Kubeflow Fairing 的架构分析
  • 9.4　Kubeflow Fairing 的源码分析
  • 9.4.1　Kubeflow Fairing 的入口程序文件Config.py
  • 9.4.2　Kubeflow Fairing Preprocessor
  • 9.4.3　Kubeflow Fairing Builder
  • 9.4.4　Kubeflow Fairing Deployer
  • 9.4.5　Kubeflow Fairing 支持的High Level API
  • 9.5　Kubeflow Fairing 的应用实例
  • 第10章　Kubeflow Metadata
  • 10.1　Kubeflow Metadata 简述
  • 10.2　Kubeflow Metadata 的架构与设计
  • 10.3　Metadata 支持的元数据和数据表
  • 10.4　Kubeflow Metadata 实战
  • 10.4.1　安装Kubeflow Metadata 组件
  • 10.4.2　Kubeflow Metadata 的应用实例
  • 10.4.3　Metadata 的展示
  • 第11章　Kubebench 机器学习哪家强
  • 11.1　先从Benchmark 说起
  • 11.2　Kubebench 的安装方法
  • 11.3　Kubebench 的架构
  • 11.4　Kubebench 的实践
  • 第12章　Kubeflow 中的Jupyter Notebook Hub
  • 12.1　Jupyter Notebook 简述
  • 12.2　Jupyter Notebook 的架构及其运行原理
  • 12.3　Kubeflow Jupyter Notebook 的组件及其使用方法
  • 第3篇　Kubeflow 的应用和展望
  • 第13章　Kubeflow 的应用实战
  • 13.1　在云平台上进行机器学习
  • 13.2　基于Kubeflow 的Seq2Seq 机器学习案例
  • 13.2.1　Seq2Seq 模型简介
  • 13.2.2　在Kubeflow 平台上运行Seq2Seq 案例
  • 第14章　Kubeflow 前景展望和AI Hub
  • 14.1　Kubeflow 1.0 的功能和计划
  • 14.2　基于Kubeflow 的AI Hub 新模式
  • 14.3　智能云中的AIaaS（AI 服务）
  • 后折页
  • 封底
展开全部

评分及书评

评分不足
1个评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。