共计 1453 个字符，预计需要花费 4 分钟才能阅读完成。
介绍
Pipeline 是 Kubeflow 社区最近开源的一个端到端工作流项目，帮助我们来管理，部署端到端的机器学习工作流。Kubeflow 是一个谷歌的开源项目，它将机器学习的代码像构建应用一样打包，使其他人也能够重复使用。kubeflow/pipeline 提供了一个工作流方案，将这些机器学习中的应用代码按照流水线的方式编排，形成可重复的工作流。并提供平台，帮助编排，部署，管理，这些端到端机器学习工作流。
概念
pipeline 是一个面向机器学习的工作流解决方案，通过定义一个有向无环图描述流水线系统（pipeline），流水线中每一步流程是由容器定义组成的组件（component）。当我们想要发起一次机器学习的试验时，需要创建一个 experiment，在 experiment 中发起运行任务（run）。Experiment 是一个抽象概念，用于分组管理运行任务。
Pipeline：定义一组操作的流水线，其中每一步都由 component 组成。背后是一个 Argo 的模板配置。
Component：一个容器操作，可以通过 pipeline 的 sdk 定义。每一个 component 可以定义定义输出（output）和产物（artifact），输出可以通过设置下一步的环境变量，作为下一步的输入，artifact 是组件运行完成后写入一个约定格式文件，在界面上可以被渲染展示。
Experiment：可以看做一个工作空间，管理一组运行任务。
Run：pipeline 的运行任务实例，这些任务会对应一个工作流实例。由 Argo 统一管理运行顺序和前后依赖关系。
Recurring run: 定时任务，定义运行周期，Pipeline 组件会定期拉起对应的 Pipeline Run。
Pipeline 里的流程图
组件的 Artifact
模块
Pipeline 的组件比较简单，大致分为 5 个部分。
MySQL：用于存储 Pipeline/Run 等元数据。
Backend：一个由 go 编写的后端，提供 kubernetes ApiServer 风格的 Restful API。处理前端以及 SDK 发起的操作请求。Pipeline/Experiment 之类的请求会直接存入 MySQL 元数据。和 Run 相关的请求除了写入 MySQL 以外还会通过 APIServer 同步操作 Argo 实例。
CRD Controller：Pipeline 基于 Argo 扩展了自己的 CRD ScheduledWorkflow，CRD Controller 中会主要监听 ScheduledWorkflow 和 Argo 的 Workflow 这两个 CRD 变化。处理定期运行的逻辑。
Persistence Agent：和 CRD Controller 一样监听 Argo Workflow 变化，将 Workflow 状态同步到 MySQL 元数据中。它的主要职责是实时获取工作流的运行结果。
Web UI：提供界面操作。从 Backend 中读取元数据，将流水线过程和结果可视化，获取日志，发起新的任务等。
其他工具
除了以上核心模块以外，Pipeline 提供了一系列工具，帮助更好构建流水线。
SDK，用于定义 pipeline 和 component，编译为一个 argo yaml 模板，可以在界面上导入成 pipeline。
CLI 工具，替代 Web UI，调用 Backend Api 管理流水线
Jupyter notebook。可以在 notebook 中编写训练代码，也可以在 notebook 中通过 sdk 管理 Pipeline。
本文作者：萧元阅读原文
本文为云栖社区原创内容，未经允许不得转载。
