torchblaze

Torch

Lien vers la documentation

Un package Python basé sur CLI qui fournit une suite de fonctionnalités pour effectuer des ML de bout en bout à l'aide de Pytorch.

Voici l'ensemble des fonctionnalités fournies par l'outil:

---

• Modèle FLASK-API : Configurez la Sturcture du projet Pytorch de base et une API de restauration facilement modifiable avec une seule commande CLI. Le déploiement de vos modèles ML n'a jamais été aussi facile.

• Testez API ML : une fois que vous avez configuré votre API, testez tous les points d'extrémité API pour vous assurer d'obtenir les résultats attendus avant de pousser votre API au déploiement.

• Dockerising : un dockage simplifié et monochand et facile pour votre API ML.

• Suite de test de modèle ML : Le package est livré avec une suite de tests intégrée qui évalue vos modèles Pytorch par rapport à un ensemble de tests pour rechercher toutes les erreurs qui autrement pourraient ne pas être traçables facilement.

Voici la liste des commandes disponibles:

---

• Configuration du modèle de modèle:

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

• Image de docker de construction (nécessite un docker installé):

Premier CD dans le répertoire du projet racine contenant un fichier app.py.

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

• Exécutez l'image docker (nécessite Docker installé):

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

• Effectuer des tests d'API:

Premier CD dans le répertoire du projet racine contenant un fichier app.py.

 foo@bar:~ $ torchblaze api_tests

• Effectuer des tests de modèle:

Importer le package Mltests

 import torchblaze . mltests as mls

Utilisez ensuite la variété des méthodes de test disponibles dans le package MLTests. Exécutez la commande suivante pour obtenir la liste des méthodes disponibles.

 dir ( mls )

Pour vérifier la documentation de l'un des tests disponibles, utilisez la méthode d'aide:

 help ( mls . < method_name > )