Issue Label Bot

配x ISSSUE标签机器人不再使用。您仍然可以查看代码，但是由于相关基础架构成本，我们已经删除了机器人

代码：“如何在GitHub上使用机器学习来自动化任务以获取乐趣和利润”

目录

• 问题标签机器人
  • 重要链接
  • 文件
• 运行此代码
  • 环境变量
  • 本地运行
  • 部署为服务
• 贡献
  • 路线图
  • 参考
• 免责声明

原始作者：@hamelsmu， @inc0，@jlewi

发行标签机器人

从GitHub市场安装此应用程序

由Python编写的机器学习提供动力的GitHub应用程序。此博客文章中描述了构建此应用程序动机的讨论。

当问题打开时，该机器人预测标签是否应为： feature request ， bug或question ，并在适当的情况下自动应用标签。这是机器人行动中的屏幕截图：

可以在我们的应用主页上查看更多示例。应当指出，在预测不确定的情况下，机器人可能不会应用任何标签。有关更多警告，请参见“免责声明”部分。

重要链接

• 发行标签机器人主页。提供了一种查看示例预测以及有关此机器人的其他信息的方法。
• github应用程序页面用于发行标签机器人，您可以在其中安装应用程序。安装之前，请参见下面的免责声明。

文件

• /笔记本：包含有关如何使用Python客户端训练模型并与GitHub API交互的笔记本。
• /blask_app：限制github发出事件并通过预测做出响应的烧瓶应用程序的代码。这是用户将与之互动的主要应用程序。
• /argo：该目录中的代码与用于培训和部署ML工作流的Argo ML管道的构建有关。
• /部署：此目录包含有助于部署应用程序的文件。
  • Dockerfile这是用于运行烧瓶应用程序的容器的定义。该容器的构建托管在Hamelsmu/Mlapp的Dockerhub上。
  • Heroku.yml：这用于部署到Heroku。
  • *.YAML：这些文件与Kubernetes部署有关。

运行此代码

先决条件

要在此存储库中使用代码，您需要注册自己的GitHub应用程序，并在所需的存储库上安装此应用程序并存储身份验证秘密。

首先，浏览本开始指南的先决条件部分，除了“ Ruby编程语言”部分，因为我们将使用Python作为与GitHub API接口的客户端。

第二，设置您的开发环境。即使此步骤是可选的，也要确保您创建一个Webhook秘密。

接下来，设置一个Postgres数据库。您可以在Heroku上免费执行此操作。详细说明（从这里无耻地被盗）：

1. 导航到https://www.heroku.com/，如果您还没有一个帐户，请创建一个帐户。
2. 在Heroku的仪表板上，单击“新”，然后选择“创建新应用”。
3. 给您的应用程序一个名字，然后单击“创建应用程序”。
4. 在应用程序的“概述”页面上，单击“配置加载”按钮。
5. 在页面的“附加组件”部分中，输入并选择“ Heroku Postgres”。
6. 选择“ Hobby Dev -Free”计划，该计划将使您访问免费的PostgreSQL数据库，该数据库将支持多达10,000行数据。单击“配置”。
7. 现在，单击“ Heroku Postgres ::数据库”链接。
8. 现在，您应该在数据库的概述页面上。单击8个“设置”，然后单击“查看凭据”。这是您需要登录数据库的信息。

最后，您需要为所有秘密创建环境变量，如下所述。

环境变量

1. PRIVATE_KEY ：这是您用GitHub API作为应用程序进行身份验证的私钥。
2. WEBHOOK_SECRET ：用于验证您的应用程序收到的有效载荷实际上来自GitHub。这在这里描述。
3. DATABASE_URL ：这是包含PostgreSQL数据库的登录信息的URL，通常是以： postgres://<username>:<password>@<url>:5432/<database_name>
4. APP_ID ：这是GitHub注册应用程序时向您提供的唯一标识符。
5. FLASK_ENV ：通常将其设置为production或development 。您将需要使用deployment进行本地测试。
6. PORT ：这是您的应用程序将要使用的端口。请注意，如果您部署到Heroku，Heroku将在构建应用程序时以其自身的价值覆盖此变量。对于本地开发，您将希望与SMEE港口的服务匹配。
7. APP_URL ：这是您应用程序主页的URL，它作为发行注释中的链接提供给用户。您可以将其设置为用于本地开发的任意价值。

注意：如果您使用的是ZSH，则DOTENV插件可用于管理环境变量。

本地运行

1. 安装依赖项：在虚拟环境中安装需求.txt。如果您使用的是pipenv安装pipfile.lock的必要依赖项，则通过在此存储库的根部键入pipenv install 。

2. 从此存储库的根中运行烧瓶应用程序：运行python flask_app/app.py 。为此，您必须正确设置环境变量部分中所述的环境变量。

3. 可选 -作为Docker容器运行应用程序。可以使用该存储库的根部使用命令bash script/bootstrap构建提供问题标签机器人的Docker容器。该脚本构建了名为hamelsmu/mlapp的Docker映像，该图像也可以在Dockerhub上找到。如果您希望在本地运行Docker容器进行测试，则必须在运行时将必要的环境变量传递给Docker容器，并揭示应用程序的必要端口。有关使用Docker的更多资源，请参见参考部分。

部署为服务

此存储库中的资产使您可以部署到Heroku（更容易）或Kubernetes群集（更高级）。

在Heroku中，可以将秘密作为配置变量传递。此外，该文档描述了如何在Kubernetes中设置秘密。如果要公开部署该应用程序，请确保将环境变量FLASK_ENV设置为production 。

贡献

我们欢迎所有形式的贡献。我们对以下内容特别感兴趣：

• 错误修复
• 增强或其他功能
• 改进模型，或扩展用于培训的数据集。

路线图

该项目的作者有兴趣在不久的将来添加以下功能：

• 构建更好的标签和不属于标签的项目的负面样本，以推动进一步的改进。
• 使用Fastai的工具探索：
  • 最先进的体系结构，例如多头关注
  • 利用转移学习来预测独特的标签和/或提高准确性。
• 使用GitHub操作触发此代码的自动部署。
• Argo管道上的模型管道编排。

参考

• 此存储库中的代码和关联的教程假设熟悉Docker。这篇博客文章对数据科学家的Docker提供了温和的介绍。

• 需要使用机器学习和公共GitHub数据集构建的其他数据产品的灵感吗？看到以下示例：

  • Github发出摘要和建议。
  • 自然语言语义代码搜索。

• 烧瓶上的出色课程：哈佛CS50网络。

• Fastai的MOOC用于机器学习和深度学习。

免责声明

问题标签机器人仅用于教育和演示目的。我们的目标是为社区提供最小的工作示例，其复杂性最少。因此，我们认为该模型所展示的有很大的改进空间。此外，此应用只能在公共存储库上使用，如果安装在私人仓库上，则无能为力。