2.2.1　训练和监测进展

下一步是使用Kubeflow Pipeline来训练模型。我们将使用一个预先创建的训练容器[1]来下载训练数据并训练模型。见例2-10，我们在train_pipeline.py中预建了一个工作流，在本书GitHub示例仓库（https://oreil.ly/Kubeflow_for_ML）的ch2文件夹中训练一个RandomForestClassifier。

例2-10：创建训练工作流示例

如果遇到问题，你可以查看Kubeflow故障排除指南（https://oreil.ly/nvNnC）。

如图2-1所示，Kubeflow用户界面有几种不同的访问方式。在本地部署一个端口转发是最简单的方法：只需运行kubectl port-forward svc/istio-ingressgateway -n istio-system 7777:80，然后访问localhost:7777即可。如果你已经在GCP上进行了部署，可以访问https://<deploy ment_name>.endpoints.<project_name>.cloud.google。否则，你可以通过运行kubectl get ingress -n istio-system来获取网关服务的地址。

图2-1：Kubeflow Web用户界面

单击“Pipelines”，或者在根URL中添加_/pipeline/，我们就能看到Pipelines的Web用户界面，如图2-2所示。

图2-2：Pipeline Web用户界面

从这里我们可以上传Pipeline，之后就可以使用相同的Web用户界面来创建Pipeline的运行。单击上传的Pipeline，你就可以创建一个运行，如图2-3所示。

图2-3：Pipeline详情页

[1] 容器来自这个GitHub仓库（https://oreil.ly/f-bO3）。