innovativeproject ml models management

Maisie - ML Models Management -System

Maisie
Maisie Sphinx -Thema
Dokumentation
Pypi
Dockerhub

• 1 Merkmale
• 2 Installieren
• 3 Einsatz
  • 3.1 Verwenden von Docker-Compose
  • 3.2 einzelne Bilder abrufen
• 4 beitragen
  • 4.1 Erste Schritte
  • 4.2 Bestehende Probleme beheben
  • 4.3 Implementieren neuer Funktionen
  • 4.4 Die Änderungen anneigen
• 5 Dokumentation

1 Merkmale

Könnte das Archivieren, Speichern, Verwalten und Organisieren von Modellen für maschinelles Lernen effizient und mit großem Fokus auf Benutzererfahrung erfolgen? Sicher, Maisie macht genau das.

Maisie ist ein freundlicher, einfach zu verwendender Assistent, der besteht, aus dem:

• Webanwendung in React geschrieben
• Backend -API in Python, Flask geschrieben
• Client -Anwendung/Paket in Python geschrieben und auf PYPI gehostet

Es integriert sich nahtlos in Ihre bevorzugten Tools und bietet Ihnen alle wichtigen Daten, wie z. B.:

• GIT -Revisionen für alle geschulten Modelle sowie Informationen zu Quellzweigen
• Durchsuchbare, filterbare Hyperparameter, Parameter und Metriken
• Ein einzelner identifizierender Datensatzname sowie eine optionale Beschreibung
• Permanente URLs zum einfachen Teilen und Herunterladen gespeicherter Modelle

2 Installieren

Sie können das aktuellste Paket von PYPI erhalten

$ pip install Maisie

Die Verwendung in Ihrer Trainingsumgebung ist ziemlich einfach:

 import maisie
from sklearn . externals import joblib

# Define your model here

model . fit ( X , y )
model_filename = "example_model.pkl"
joblib . dump ( model , model_filename )

# Define your metrics, fetch parameters and hyperparameters

models = maisie . Models ()
models . upload (
    name = "My first uploaded model" ,
    filename = model_filename ,
    dataset_name = "Singly Identifying Dataset Name" ,
    metrics = { "accuracy" : accuracy },
    hyperparameters = hyperparameters ,
    parameters = parameters ,
)

3 Einsatz

3.1 Verwenden von Docker-Compose

Dieses Repository enthält eine vorkonfigurierte docker-compose.yml -Datei, die vernünftige Standardoptionen enthält.

Bevor Sie die Container starten, sollten Sie eine lokale .env -Datei mit dem enthaltenen .env.sample erstellen.

Um alle Dienste zu starten, rennen Sie:

$ docker-compose up

Um Ihre Dienste zu stoppen, können Sie Strg+C/Strg+d drücken. Wenn Sie die Dienste im Hintergrund mithilfe von docker-compose up -d gestartet haben, wäre der richtige Weg, dies zu tun:

$ docker-compose stop

Sie können mehr über Docker Compose erfahren, indem Sie hier klicken.

3.2 einzelne Bilder abrufen

Sobald auch Frontend- und Backend -Bilder werden, werden automatisch an Docker Hub veröffentlicht, sobald eine neue stabile Version zur Verfügung gestellt wird.

Links

• Frontend -Bild auf Docker Hub
• Backend -Bild auf Docker Hub
• ... Andere Dienste

Als Referenz können Sie sich das Beispiel -Ansible -Playbook ansehen, in dem alle Container mit der lokal konfigurierten .env -Datei zu einem angegebenen Host bereitgestellt werden.

4 beitragen

4.1 Erste Schritte

1. Klonen Sie das Repository aus dem develop

$ git clone -b develop [email protected]:nokia-wroclaw/innovativeproject-ml-models-management.git

2. Vorkommind installieren
3. Installieren Sie im Root Directory des Projekts alle erforderlichen GitHooks:

$ pre-commit install

4. Um alle erforderlichen Dienstleistungen für die lokale Entwicklung zu starten, betreiben Sie:

$ docker-compose up

5. Sie sind alle eingerichtet!

4.2 Bestehende Probleme beheben

1. Wählen Sie eines der offenen Probleme oder erstellen Sie eine neue
2. Erstellen Sie beispielsweise eine neue Zweigstelle mit dem Namen issue-[number]-[short description] , die aus der develop abgeleitet sind

$ git checkout -b issue-42-project-removal-permissions develop

3. Stellen Sie sicher, dass Ihre Implementierung das tatsächliche Problem behebt und gut getestet ist.

4.3 Implementieren neuer Funktionen

Bei der Implementierung neuer Funktionen sollten Sie zunächst eine neue Filiale mit dem Namen feature-[short description] die beispielsweise aus der develop abgeleitet sind

$ git checkout -b feature-new-user-profile develop

4.4 Die Änderungen anneigen

Um alle Tests auszuführen und zu überprüfen, ob alle erforderlichen Vorkommot-Githooks zufrieden sind, laufen Sie

$ pre-commit run --all-files

Ihre Commit -Nachricht sollte kurz die Änderungen (wenn möglich) in einfachem Englisch zusammenfassen. Um zu erfahren, wie Sie eine ordnungsgemäße Commit -Nachricht schreiben, lesen Sie diesen Artikel.

Erstellen Sie bei der Bereitschaft eine neue Pull -Anforderung im Vergleich zum develop , der als Basiszweig eingestellt ist.

5 Dokumentation

Für die neueste stabile Veröffentlichung kann die Dokumentation unter docs.maisie.dev angezeigt werden.