官方git地址：https://github.com/kubeflow/fairing
backends
backends爲k8s集羣，可以是local，也可以是各種雲的k8s服務。
builders
builders爲構建鏡像的模塊。
append爲在原有鏡像層的基礎上添加一層封裝
cluster 爲在k8s集羣中構建鏡像
azurestorage_context 微軟存儲服務
cos_context ibm的存儲服務
gcs_context 谷歌雲存儲
minio_context 是一個對象存儲服務（可以用來存儲鏡像）。它兼容亞馬遜s3雲存儲服務接口，非常適合於存儲大容量非結構化的數據，例如圖片、視頻、日誌文件、備份數據和容器/虛擬機鏡像等，而一個對象文件可以是任意大小，從幾kb到最大5t不等。
s3_context 亞馬遜的對象存儲服務。
docker 爲使用本機docker命令構建鏡像
podman 方式
podman創建的容器不需要守護進程，且可以用普通用戶創建容器。Podman 中的大部分命令的使用方式與 Docker 相同，
constants 中定義了所有的默認值
deployers 部署k8s資源
gcp 谷歌雲平臺
job 部署分佈式任務，派生PyTorchJob，tfjob，需要有對應的PyTorchJob-operator，tfJob-operator。 使用job的話，自己刪除deploy就行，如果使用PyTorchJob，tfjob的話，就需要刪除tfjob，PyTorchJob這種自定義k8s資源。
fairing中的 serving 直接部署 k8s的deploy和service，自己手動刪除deploy和service就行。
fairing中的kfserving 使用Kubeflow KFServing部署服務化。主要調用外部組件kfserving實現
serving 使用k8s deployment和service部署服務化。
ml_tasks
高等級別ml訓練和服務化任務。