概述 Controller 也就是控制器是 Operator 的核心。开发 Operator 主要包含下面几个步骤。 下载kubebuilder 创建项目project 创建API 充分测试 在Kuberne

概述 Kubeflow 集成了机器学习的很多组件，比如训练、调参、模型部署，也包括了像 Tensorflow, Pytorch 等框架的支持。另外就是其还提供了 Pipeline 组件，用于用户定义机器学习的流程，

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

概述 要把 Kubeflow 的 Pipeline 用溜了，肯定是需要有自定义 Pipeline 的能力了，所以需要熟悉一下 Pipeline 里的一些概念。 如果要搞清楚 Pipeline，👇这些文档都必须要读一下，

概述 Pipeline 提供了几个内置的 Pipeline……有点绕口，但是真正使用的时候，但是默认提供的几个 Pipeline 都要基于 GCP Google 的云平台

概述 安装条件，可以在 Kubeflow requirements 找到，具体贴出来，因为版本不同，以及 K8S 一些自定义配置会对部署造成影响。 P.S.本文部署的是v0.6.0 部署 部署提供了