mlreef
1.0.0
La plataforma de colaboración para el aprendizaje automático
Mlreef es una plataforma ML-OPS de código abierto que lo ayuda a colaborar, reproducir y compartir su trabajo de aprendizaje automático con miles de otros usuarios.
IMPORTANTE: Ya no estamos apoyando y actualizando este repositorio. Todavía estamos trabajando activamente en este proyecto, pero en nuestro repositorio principal en Gitlab .
Mlreef es una plataforma de desarrollo ML/DL que contiene cuatro secciones principales:
Regístrese y comience a experimentar en minutos.
Para obtener más información sobre cómo Mlreef puede optimizar su ciclo de vida de desarrollo de aprendizaje automático, visite nuestra página de inicio
Agregar sus parámetros a través de 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... y publicar tus scripts te ofrece lo siguiente:
Los componentes MLREEF ML dentro del ciclo de vida ML:
Mlreef es nuestra solución a un problema que compartimos con innumerables investigadores y desarrolladores en el universo de aprendizaje automático/universo de aprendizaje profundo: la capacitación de modelos de aprendizaje profundo de grado de producción es un proceso enredado. Mlreef rastrea y controla el proceso asociando el control de versiones de código, los proyectos de investigación, las métricas de rendimiento y la procedencia del modelo.
Diseñamos mlreef en las mejores prácticas de ciencia de datos combinadas con los conocimientos obtenidos de DevOps y un profundo enfoque en la colaboración.
Para comenzar a desarrollar, continúe con la Guía del desarrollador
La fuente canónica de Mlreef donde se realiza todo el desarrollo se aloja en gitlab.com/mlreef/mlreef.
Licencia MIT (ver la licencia para obtener más información)
Más información en la documentación oficial y en YouTube.
Para ejemplos y casos de uso, verifique estos casos de uso o inicie el tutorial después del registro:
Si tiene alguna pregunta: publique en nuestro canal Slack o etiquete sus preguntas en stackoverflow con la etiqueta 'mlreef'.
Para solicitudes de funciones o informes de errores, utilice los problemas de GitLab.
Además, siempre puede comunicarse con nosotros a través de [email protected]
Las solicitudes de fusión siempre son bienvenidas ❤️ Vea más detalles en las pautas de contribución de MLREEF.
