一个轻量级的机器学习任务管理工具，基于 Kubeflow training-operator。

• 项目管理

  • 创建和管理机器学习项目
  • 设置项目资源配额（GPU、CPU、内存）
  • 项目成员管理
  • 项目资源使用统计

• ML 任务管理

  • 支持 PyTorch 和 TensorFlow 训练任务
  • 完整的 training-operator 配置支持
  • 任务状态监控和日志查看
  • 资源使用情况追踪

• Notebook 管理

  • 创建和管理 Jupyter Notebook 实例
  • 自动资源分配和回收
  • 租约管理（自动停止和续租）
  • 支持多种 Jupyter 镜像

项目由三个主要组件组成：

1. Frontend (Next.js)

   • 现代化的 Web 界面
   • 响应式设计
   • 实时状态更新

2. Backend (FastAPI)

   • RESTful API
   • 用户认证和授权
   • 数据库管理
   • 资源配额控制

3. Operator (Kopf)

   • Kubernetes 原生集成
   • 自动化资源管理
   • 状态同步和监控

• Kubernetes 集群 (1.20+)
• 已安装 Kubeflow training-operator
• Python 3.8+
• Node.js 18+
• Docker

1. 克隆仓库：

git clone https://github.com/yourusername/kubeflow-mini.git
cd kubeflow-mini

2. 安装依赖：

# 后端依赖
cd src/backend
pip install -e .

# 前端依赖
cd ../frontend
npm install

3. 配置环境变量：

# 后端
cp .env.example .env
# 编辑 .env 文件设置必要的环境变量

# 前端
cd src/frontend
cp .env.example .env.local
# 编辑 .env.local 文件设置必要的环境变量

4. 启动服务：

开发模式：

# 后端
cd src/backend
uvicorn app:app --reload

# 前端
cd src/frontend
npm run dev

# operator
cd src/operator
kopf run operator.py

生产模式：

docker compose up -d

kubeflow-mini/
├── src/
│   ├── frontend/          # Next.js 前端
│   ├── backend/          # FastAPI 后端
│   └── operator/         # Kubernetes Operator
├── manifests/           # Kubernetes 资源定义
│   ├── deployment/      # 部署配置
│   └── crd/            # 自定义资源定义
├── examples/           # 示例配置
└── docs/              # 文档

启动后端服务后，访问以下地址查看 API 文档：

• Swagger UI: http://localhost:8000/docs
• ReDoc: http://localhost:8000/redoc

1. 代码风格

   • 后端：使用 black 和 isort 进行格式化
   • 前端：使用 prettier 和 eslint
   • 提交前运行 pre-commit hooks

2. 测试

   • 后端：pytest
   • 前端：jest 和 React Testing Library
   • E2E：Cypress

3. 分支策略

   • main: 稳定版本
   • develop: 开发版本
   • feature/*: 新功能
   • fix/*: 错误修复

1. Fork 项目
2. 创建功能分支
3. 提交更改
4. 推送到分支
5. 创建 Pull Request

MIT License