mlreef
1.0.0
La plate-forme de collaboration pour l'apprentissage automatique
MLREEF est une plate-forme ML-OPS open source qui vous aide à collaborer, reproduire et partager votre travail d'apprentissage automatique avec des milliers d'autres utilisateurs.
Important: nous ne soutenons plus et ne mettons plus à jour ce référentiel. Nous travaillons toujours activement sur ce projet, mais sur notre principal repo à Gitlab .
MLREEF est une plate-forme de développement ML / DL contenant quatre sections principales:
Inscrivez-vous et commencez à expérimenter en quelques minutes.
Pour en savoir plus sur la façon dont MLREEF peut rationaliser votre cycle de vie du développement de l'apprentissage automatique, visitez notre page d'accueil
Ajout de vos paramètres via 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... et la publication de vos scripts vous permet de suivre:
Les composants Mlreef ML dans le cycle de vie ML:
MLREEF est notre solution à un problème que nous partageons avec d'innombrables autres chercheurs et développeurs dans l'univers machine apprentissage / apprentissage en profondeur: la formation des modèles d'apprentissage en profondeur de qualité est un processus enchevêtré. MLREEF suit et contrôle le processus en associant le contrôle de la version de code, les projets de recherche, les mesures de performance et la provenance du modèle.
Nous avons conçu MLREEF sur les meilleures pratiques de science des données combinées à la connaissance acquise par DevOps et un accent profond sur la collaboration.
Pour commencer à développer, continuez avec le Guide du développeur
La source canonique de Mlreef où tout le développement a lieu est hébergé sur gitlab.com/mlreef/mlreef.
Licence MIT (voir la licence pour plus d'informations)
Plus d'informations dans la documentation officielle et sur YouTube.
Pour des exemples et des cas d'utilisation, vérifiez ces cas d'utilisation ou démarrez le tutoriel après l'inscription:
Si vous avez des questions: postez sur notre chaîne Slack ou étiquetez vos questions sur StackOverflow avec la balise «Mlreef».
Pour les demandes de fonctionnalités ou les rapports de bogues, veuillez utiliser les problèmes de GitLab.
De plus, vous pouvez toujours nous contacter via [email protected]
Les demandes de fusion sont toujours les bienvenues ❤️ Voir plus de détails dans les directives de contribution MLREEF.
