innovativeproject ml models management

Maisie - Sistema de gestión de modelos ML

Maisie
Maisie Sphinx Tema
Documentación
Pypi
Cazador

• 1 características
• 2 Instalación
• 3 Implementación
  • 3.1 Uso de Docker-Compose
  • 3.2 Retención de imágenes individuales
• 4 contribuyendo
  • 4.1 Comenzando
  • 4.2 Solucionando los problemas existentes
  • 4.3 Implementación de nuevas funciones
  • 4.4 cometiendo los cambios
• 5 documentación

1 características

¿Se podría hacer un archivo, almacenar, administrar y organizar modelos de aprendizaje automático de eficiencia y centrarse en la experiencia del usuario? Claro, Maisie hace exactamente eso.

Maisie es un asistente amigable y fácil de usar que consiste en:

• Aplicación web escrita en React
• API de backend escrita en Python, Flask
• Aplicación/paquete del cliente escrito en Python y alojado en PYPI

Se integra perfectamente con sus herramientas favoritas y le proporciona todos los datos importantes, como:

• Revisiones de Git para todos los modelos capacitados, así como información sobre las ramas de origen
• Hyperparámetros, parámetros y métricas de búsqueda de filtrables
• Un solo nombre de conjunto de datos de identificación, así como una descripción opcional
• URL permanentes para compartir y descargar fácilmente modelos almacenados

2 Instalación

Puede obtener el paquete más actual de Pypi

$ pip install Maisie

Usarlo en su entorno de entrenamiento es bastante sencillo:

 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 Implementación

3.1 Uso de Docker-Compose

Este repositorio proporciona un archivo docker-compose.yml preconfigurado que contiene opciones predeterminadas sensatas.

Antes de iniciar los contenedores, debe crear un archivo .env local utilizando el .env.sample incluido.

Para iniciar todos los servicios, ejecute:

$ docker-compose up

Para detener sus servicios, puede presionar CTRL+C/Ctrl+D. Si inició los servicios en segundo plano usando docker-compose up -d , la forma correcta de hacerlo sería:

$ docker-compose stop

Puede obtener más información sobre Docker Compose haciendo clic aquí.

3.2 Retención de imágenes individuales

Tanto las imágenes Frontend como Backend se publican automáticamente en Docker Hub tan pronto como se ponga disponible una nueva versión estable.

Campo de golf

• Imagen frontend en Docker Hub
• Imagen de backend en Docker Hub
• ... otros servicios

Como referencia, puede mirar el libro de jugadas Ansible de muestra que implementa todos los contenedores en un host especificado utilizando el archivo .env configurado localmente.

4 contribuyendo

4.1 Comenzando

1. Clonar el repositorio de la rama develop

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

2. Instalar precomisco
3. Dentro del directorio raíz del proyecto instala todos los githooks requeridos:

$ pre-commit install

4. Para comenzar todos los servicios requeridos para el desarrollo local, ejecute:

$ docker-compose up

5. ¡Estás listo!

4.2 Solucionando los problemas existentes

1. Elija uno de los problemas abiertos o cree uno nuevo
2. Cree una nueva rama llamada issue-[number]-[short description] derivada de la rama develop , por ejemplo

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

3. Asegúrese de que su implementación solucione el problema real y esté bien probado.

4.3 Implementación de nuevas funciones

Al implementar nuevas funciones, debe comenzar creando una nueva rama llamada feature-[short description] derivada de la rama develop , por ejemplo

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

4.4 cometiendo los cambios

Para ejecutar todas las pruebas y verificar si todos los githooks previos al comercio requeridos están satisfechos, ejecute

$ pre-commit run --all-files

Su mensaje de confirmación debe resumir brevemente los cambios (si es posible) en inglés simple. Para aprender a escribir un mensaje de confirmación adecuado, consulte este artículo.

Cuando esté listo, cree una nueva solicitud de extracción en comparación con el conjunto de ramas develop como una rama base.

5 documentación

Para el último lanzamiento estable, la documentación se puede ver en docs.maisie.dev.