Tensorflow 我如何实施“Kubeflow”；“运行参数”；使用专门用于GCP的TFX SDK？

我目前正在使用Kubeflow作为我的编排器。orchestrator实际上是承载在GCP上的AI平台管道的实例。如何使用Tensorflow扩展SDK创建运行时参数？我怀疑这是我应该使用的类，但是文档不是很有意义，也没有提供任何示例

有点像下面的图片。

---

例如，您希望添加模块文件位置作为运行时参数，该参数将传递给TFX管道中的转换组件

首先设置setup_pipeline.py并定义模块文件参数：

# setup_pipeline.py

from typing import Text
from tfx.orchestration import data_types, pipeline
from tfx.orchestration.kubeflow import kubeflow_dag_runner
from tfx.components import Transform

_module_file_param = data_types.RuntimeParameter(
    name='module-file',
    default=
    '/tfx-src/tfx/examples/iris/iris_utils_native_keras.py',
    ptype=Text,
)

接下来，定义一个函数，指定管道中使用的组件并传递参数

def create_pipeline(..., module_file):
    # setup components:
    ...

    transform = Transform(
         ...
         module_file=module_file
      )
     ...

    components = [..., transform, ...]

    return pipeline.Pipeline(
          ...,
          components=components
    )

最后，设置Kubeflow DAG runner，使其将参数传递给

create_pipeline

函数。有关更完整的示例，请参见

if __name__ == "__main__":

    # instantiate a kfp_runner
    ...

    kfp_runner = kubeflow_dag_runner.KubeflowDagRunner(
        ...
    )

    kfp_runner.run(
        create_pipeline(..., module_file=_module_file_param
      ))

然后，您可以运行

python-msetup_pipeline

，它将生成指定管道配置的yaml文件，然后您可以将该文件上载到Kubeflow GCP接口