mlreef
1.0.0
Платформа сотрудничества для машинного обучения
MLREEF-это платформа ML-OPS с открытым исходным кодом, которая помогает вам сотрудничать, воспроизводить и делиться вашей работой машинного обучения с тысячами других пользователей.
Важно: мы больше не поддерживаем и обновляем этот репозиторий. Мы все еще активно работаем над этим проектом, но над нашим главным репо в Gitlab .
MLREEF - это платформа разработки ML/DL, содержащая четыре основных раздела:
Зарегистрируйтесь и начните экспериментировать за считанные минуты.
Чтобы узнать больше о том, как Mlreef может оптимизировать ваш жизненный цикл развития машинного обучения, посетите нашу домашнюю страницу
Добавление ваших параметров через 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... и публикация ваших сценариев дает вам следующее:
Компоненты Mlreef ML в течение жизненного цикла ML:
MLREEF-это наше решение проблемы, которую мы разделяем с бесчисленными другими исследователями и разработчиками во вселенной машинного обучения/глубокого обучения: обучение моделей глубокого обучения в производстве-это запутанный процесс. MLREEF отслеживает и управляет процессом, связывая контроль версий кода, исследовательские проекты, показатели производительности и модель Provenance.
Мы разработали MLREEF на лучших практиках науки о данных в сочетании с знакомым, полученным от DevOps, и глубоко сосредоточиться на сотрудничестве.
Чтобы начать развиваться, продолжите руководство по разработчику
Канонический источник MLREEF, где происходит вся разработка, находится на gitlab.com/mlreef/mlreef.
Лицензия MIT (см. Лицензию для получения дополнительной информации)
Более подробная информация в официальной документации и на YouTube.
Примеры и варианты использования, проверьте эти варианты использования или запустите учебник после регистрации:
Если у вас есть какие -либо вопросы: опубликовать на нашем канале Slack или отметьте ваши вопросы на Stackoverflow с тегом Mlreef.
Для запросов на функции или отчетов об ошибках, пожалуйста, используйте проблемы Gitlab.
Кроме того, вы всегда можете связаться с нами по адресу [email protected]
Запросы на слияние всегда приветствуются ❤ См. Более подробную информацию в Руководстве MLREEF взноса.
