mlreef
1.0.0
Die Kollaborationsplattform für maschinelles Lernen
MLreef ist eine Open-Source-ML-OP-Plattform, mit der Sie Ihre maschinelle Lernen mit Tausenden anderer Benutzer zusammenarbeiten, reproduzieren und teilen können.
Wichtig: Wir unterstützen und aktualisieren dieses Repository nicht mehr. Wir arbeiten immer noch aktiv an diesem Projekt, aber an unserem Hauptrepo in Gitlab .
MLreef ist eine ML/DL -Entwicklungsplattform mit vier Hauptabschnitten:
Melden Sie sich in Minuten an und beginnen Sie mit dem Experimentieren.
Um mehr darüber zu erfahren, wie MLreef Ihren Lebenszyklus für maschinelles Lernen entwickeln kann, besuchen Sie unsere Homepage
Hinzufügen Ihrer Parameter über ArgParse ...
# Example params for a ResNet50 script
def process_arguments ( args ):
parser = argparse . ArgumentParser ( description = 'ResNet50' )
parser . add_argument ( '--input-path' , action = 'store' , help = 'path to directory of images' )
parser . add_argument ( '--output-path' , action = 'store' , default = '.' , help = 'path to output metrics' )
parser . add_argument ( '--height' , action = 'store' , default = 224 , help = 'height of images (int)' )
parser . add_argument ( '--width' , action = 'store' , default = 224 , help = 'width of images (int)' )
parser . add_argument ( '--channels' , action = 'store' , default = 3 , help = 'channels of images: 1 = grayscale, 3 = RGB ,'
'4=RGBA (int)' )
parser . add_argument ( '--use-pretrained' , action = 'store' , default = True , help = 'use pretrained ResNet50 weights (bool)' )
parser . add_argument ( '--epochs' , action = 'store' , default = 5 , help = 'number of epochs for training' )
parser . add_argument ( '--batch-size' , action = 'store' , default = 32 , help = 'batch size fed to the neural network (int)' )
parser . add_argument ( '--validation-split' , action = 'store' , default = .25 , help = 'fraction of images to be used for '
'validation (float)' )
parser . add_argument ( '--class-mode' , action = 'store' , default = 'binary' , help = '"categorical", "binary", "sparse",'
' "input", or None' )
parser . add_argument ( '--learning-rate' , action = 'store' , default = 0.0001 ,
help = 'learning rate of Adam Optimizer (float)'
'' )
parser . add_argument ( '--loss' , action = 'store' , default = 'sparse_categorical_crossentropy' , help = 'loss function used to'
' compile model' )
params = vars ( parser . parse_args ( args ))
return params... und die Veröffentlichung Ihrer Skripte bringt Ihnen Folgendes:
Die MLreef ML -Komponenten innerhalb des ML -Lebenszyklus:
MLreef ist unsere Lösung für ein Problem, das wir mit unzähligen anderen Forschern und Entwicklern im Universum für maschinelles Lernen/Deep-Learning-Universum teilen: Deep-Learning-Modelle für Trainingsgröße ist ein verwirrter Prozess. MLreef verfolgt und kontrolliert den Prozess, indem er Codeversionskontrolle, Forschungsprojekte, Leistungsmetriken und Modellproduktion verbindet.
Wir haben MLREEF für die besten Datenwissenschaftspraktiken in Kombination mit dem aus DevOps gewonnenen Wissen und einem tiefen Fokus auf die Zusammenarbeit entwickelt.
Um sich zu entwickeln, fahren Sie mit dem Entwicklerleitfaden fort
Die kanonische Quelle von MLreef, bei der alle Entwicklung stattfindet, findet auf gitlab.com/mlreef/mlreef gehostet.
MIT -Lizenz (Weitere Informationen finden Sie in der Lizenz)
Weitere Informationen in der offiziellen Dokumentation und auf YouTube.
Für Beispiele und Anwendungsfälle überprüfen Sie diese Anwendungsfälle oder starten Sie das Tutorial nach der Registrierung:
Wenn Sie Fragen haben: Posten Sie auf unserem Slack -Kanal oder markieren Sie Ihre Fragen auf Stackoverflow mit 'MLreef' Tag.
Für Feature -Anfragen oder Fehlerberichte verwenden Sie bitte GitLab -Probleme.
Zusätzlich können Sie uns immer über [email protected] an uns wenden
Zusammenführungsanfragen werden immer begrüßt . ❤️ Weitere Informationen finden Sie in den MLreef -Beitragsrichtlinien.
