torchblaze

Torchblaze

Link zur Dokumentation

Ein CLI-basierter Python-Paket, das eine Reihe von Funktionen bietet, um End-to-End-ML mit Pytorch durchzuführen.

Im Folgenden finden Sie die vom Tool bereitgestellten Funktionalitäten:

---

• Flask-API-Vorlage : Richten Sie die grundlegende Pytorch-Projekt-Stürtur und eine leicht optimierbare Kolben-restliche API mit einem einzigen CLI-Befehl ein. Die Bereitstellung Ihrer ML -Modelle war noch nie so einfach.

• Testen Sie die ML-API : Sobald Sie Ihre API eingerichtet haben, testen Sie alle API-Endpunkte, um sicherzustellen, dass Sie die erwarteten Ergebnisse erhalten, bevor Sie Ihre API zur Bereitstellung drücken.

• Dockerizing : Ein vereinfachtes, einzelnes Dockerisierung für Ihre ML-API.

• ML Model Test Suite : Das Paket verfügt über eine integrierte Testsuite, in der Ihre Pytorch-Modelle über eine Reihe von Tests bewertet werden, um nach Fehlern zu suchen, die sonst möglicherweise nicht leicht nachvollziehbar sind.

Hier finden Sie die verfügbare Liste der Befehle:

---

• Einrichten des Vorlagenprojekts:

 foo@bar:~ $ torchblaze generate_template --project_name example

• Erstellen von Docker -Bild (erfordert Docker installiert):

Erste CD zum Root -Projektverzeichnis mit App.py -Datei.

 foo@bar:~ $ torchblaze generate_docker --image_name example_image

• Führen Sie das Docker -Bild aus (erfordert Docker installiert):

 foo@bar:~ $ torchblaze run_docker --image_name example

• API -Tests durchführen:

Erste CD zum Root -Projektverzeichnis mit App.py -Datei.

 foo@bar:~ $ torchblaze api_tests

• Modelltests durchführen:

Importieren Sie das MLTests -Paket

 import torchblaze . mltests as mls

Verwenden Sie dann die Vielfalt der Testmethoden, die im MLTests -Paket verfügbar sind. Führen Sie den folgenden Befehl aus, um die Liste der verfügbaren Methoden zu erhalten.

 dir ( mls )

Verwenden Sie die Hilfemethode, um die Dokumentation auf einen der verfügbaren Tests zu überprüfen:

 help ( mls . < method_name > )