前言

第三次人工智能的“冲击波”提出了很多机器学习网络结构。卷积神经网络作为深度学习的代表之一，被广泛应用于计算机视觉识别系统、智能监控系统、社交网络图片标记，以及图像分类、机器人、无人机、自动驾驶汽车等场景。循环神经网络被广泛应用于自然语言理解、语音处理等场景。编/解码模型主要用于图像或序列生成，如机器翻译、文本摘要、图像描述问题等。胶囊网络作为深度神经网络的一种新兴形式，正在试图模仿人类大脑处理信息等。很多机器学习的成果已经成功落地，进入人们的工作和生活中。同时，随着时代的发展，机器学习面临的问题也越来越多。例如，大型的机器学习作业很难在本地完成，需要使用云端资源来提高模型训练的效率、降低服务维护的成本。

当前，云计算已经成为许多领域中必不可少的计算服务，机器学习也试图通过云计算来进行分布式训练，从而提高机器学习的模型训练效率，并且进一步扩展其应用范围。Kubernetes 是云平台领域的标杆技术，广泛地应用于公有云、混合云和私有云的部署中。如何使机器学习更好地在基于Kubernetes 的云平台上运行，是近年来IT 行业的热点话题，也是各大IT 公司试图解决的重要问题，Kubeflow 就是在这样的背景下横空出世的。Kubeflow 的诞生为Kubernetes 生态系统画上了绚丽的一笔，对机器学习工程师来说，可谓雪中送炭。Kubeflow 有效地连接起了机器学习和云计算两大领域，一时之间成了“兵家必争之地”。

本书在编写的过程中，得到了很多IBM 同事和Kubeflow 社区贡献者的帮助，特别是胡雷雷、寇潇、支阿龙、王占伟、台慧敏、贠振欧等，还得到了IBM 经理王亮的大力支持，在此表示诚挚的感谢！

由于时间仓促，书中难免有不足之处，请读者勘正。本书是基于Kubeflow 0.7 编写的，由于Kubeflow 社区的高速发展，本书后期会有技术和方案上的改动，读者在阅读本书的过程中，还需要参考Kubeflow 社区的最新资讯。此外，笔者会通过GitHub 更新一些书中过期的方案和技术给读者作为参考。

何金池