mlreef下载 - mlreef源代码下载

mlreef

Python

1.0.0

下载

机器学习的协作平台

MLREEF是一个开源ML-OPS平台，可帮助您与数千名其他用户协作，复制和共享机器学习工作。

重要的是：我们不再支持和更新此存储库。我们仍在积极地从事这个项目，但在Gitlab的主要回购。

mlreef

MLREEF是一个包含四个主要部分的ML/DL开发平台：

数据管理 - 完全版本的数据托管和处理基础架构
发布代码存储库 - 集装和版本的脚本存储库，用于数据管道中的不可变化
实验经理 - 实验跟踪，环境和结果
ML-OPS-用于ML / DL工作的管道和编排解决方案（K8S / Cloud / Bare-Metal）

注册并在几分钟内开始实验。

要了解有关MLREEF如何简化机器学习开发生命周期的更多信息，请访问我们的主页

数据管理

使用git / git LFS存储库托管您的数据。
- 同时在数据上工作
- 完全版本或LFS版本控制
- 有关数据处理和可视化历史记录的完整视图
将您的外部存储连接到mlreef并直接在管道中使用数据
数据集管理（访问，历史，管道）

发布代码

通过ArgParse添加参数...

 # 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