如需在 AI Platform Pipelines 上运行机器学习（ML）流程，您必须先将进程定义为流水线。您可以使用 TensorFlow Extended（TFX）或 Kubeflow Pipelines SDK 将机器学习流程编排成流水线。
本文档提供了有关如何选择构建流水线的最佳选项的指导，以及入门资源。
- 如果您要编排训练 TensorFlow 模型的进程，请使用 TFX 来构建流水线。
- 如果您要编排使用 PyTorch、XGBoost 和 scikit-learn 等框架训练模型的进程，请使用 Kubeflow Pipelines SDK 来构建流水线。
使用 TFX SDK 构建流水线
TFX 是一个开放源代码项目，可用于将机器学习工作流定义为流水线。目前，TFX 组件只能训练基于 TensorFlow 的模型。TFX 提供了可用于注入和转换数据，训练和评估模型，部署经过训练的用于推理的模型之类的组件。通过 TFX SDK，您可以使用 TFX 组件为机器学习进程创建流水线。
如需开始使用 TFX 流水线模板构建流水线，请执行以下操作：
- 按照有关 Google Cloud 上的 TFX 流水线的教程操作。
- 阅读 TFX 用户指南，详细了解 TFX 概念和组件。
使用 Kubeflow Pipelines SDK 构建流水线
Kubeflow Pipelines SDK 是一个开源 SDK，可用于基于容器构建复杂的自定义机器学习流水线。您可以使用 Kubeflow Pipelines SDK 重复使用预先构建的组件或构建自定义流水线组件。概括来说，您可以通过以下方式构建组件和流水线：
- 使用首选语言和工具为工作流中的每个步骤开发代码
- 为每个步骤的代码创建一个 Docker 容器映像
- 借助 Python，使用 Kubeflow Pipelines SDK 定义流水线
如需开始使用 Kubeflow Pipelines SDK 构建流水线，请执行以下操作：
- 参阅 Kubeflow Pipelines SDK 简介。
- 浏览 Kubeflow 流水线示例以详细了解 Kubeflow 流水线。
- 在 GitHub 上浏览 Kubeflow 流水线组件以重复使用预构建的组件。
后续步骤
- 了解如何运行机器学习流水线。