MLops博客

火车轨迹应用模型:Neptune+模型比特集成

二分
2024年4月16日

兴高采烈宣布Neptune和Madebit合作发布集成kb88凯时开户平台增强ML模型部署和实验跟踪数据科学家和机器学习工程师可使用集成火车部署机学习模型模型模型并同时记录和直观海王星培训进度

万一你还不熟海王星轻量级实验跟踪器提供单站跟踪、比较、存储并协作实验模型

海王星UI
海王星UI

模型比特机器学习平台使自定义ML模型部署到ERST端点简单到调用modelbit.deploy()数据科学笔记本或Python编辑

模型比特UI
模型比特UI

文章将覆盖以下题目:

  • 搭建Madebit和Neptu
  • 创建训练作业模型比特中
    • 日志模型超参数和内普图
    • 将模型部署到ESP端点

万一你想直接搭建集成执行指令模型比特文档

搭建集成

启动前,你需要与Madebit和Neptune创建免费账户

模型比特使用海王星集成NeptuneAPI令牌编程元数据模型性能

向模型比特添加海王星API令牌时,转到模型比特帐户设置集成标签中,点击Neptune牌并添加NEPTUNE_API_TOKEN训练作业环境提供此令牌环境环境变量,以便海王星自动认证

创建模型比特培训作业使用海王星华府

训练模型预测花型Scikit学习Iris数据集.向海王星登录模型超参数和精度 并部署模型到ERST端点

模型很简单 依赖两个特征预测花型

搭建华府

输入模型和Neptune并用模型认证笔记本

import模型bit,neptunemb=midit.login

NEPTUNEAPI_TOKEN系统不在笔记本环境

s.environ[NEPTE_API_TOKEN]=mb.get_secret

创建培训作业华府

建立函数封装训练逻辑函数顶部调用 untune.init确定修改Neptune.int_run中的“project=”参数

并编译模型精度记录海王星 并存模型mb.add_模型.

from sklearn import datasets  from sklearn.model_selection import train_test_split  from sklearn.ensemble import RandomForestClassifier  from sklearn import metrics  import random    def train_flower_classifier():  # pick our hyperparameters  random_state = random.randint(1, 10_000)  n_estimators = random.randint(2, 10)  max_depth = random.randint(2, 5)    # Init Neptune and log hyperparameters to Neptune  run = neptune.init_run(project="your-workspace/your-project")  run["random_state"] = random_state  run["n_estimators"] = n_estimators  run["max_depth"] = max_depth    # Prepare our dataset  X, y = datasets.load_iris(return_X_y=True, as_frame=True)  X = X[["sepal length (cm)", "sepal width (cm)"]] # only use two features  X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=random_state)    model = RandomForestClassifier(n_estimators=n_estimators, max_depth=max_depth)  model.fit(X_train,y_train)    # Log accuracy to Neptune  predictions = model.predict(X_test)  run["accuracy"] = metrics.accuracy_score(y_test, predictions)  run.stop() # Stop Neptune session    # Save model to the registry  mb.add_model("flower_classifier", model)

部署并运行培训作业华府

我们现在可以部署训练功能Madebit使用mb.add_job:

mb.add_job(train_flower_classifier, deployment_name="predict_flower")

点击“View in Modebit”按钮,然后点击“立即运行”。作业完成后 前往海王星项目 看作业记录新运行

模型比特部署仪表板
模型比特部署仪表板

创建 REST端点华府

终于,我们将花预测模型部署到REST端点推理功能接受两个输入特征 并调用模型我们训练 返回预测花型

花名表示setosa,seticolor,vignic

部署推理函数创建REST端点

mb.deploy(predict_flower)

花预测模型实战REST端点, 每一次重试超参数和精度都登录到海王星仔细跟踪

超参数和度量跟踪海王星应用
超参数和度量跟踪海王星应用

下一步步骤

Neptune和Mdebit都有一个愿景,即增强ML团队的能力,以有信心地将影响ML模型投入生产机器学习工程师和数据科学家可同时在Neptune记录和视觉化培训进度时在模型比特培训并部署机器学习模型

都提醒海王星模型比特有选项免费启动新整合试一试 并告诉我们你的想法

文章有用吗

感谢回馈
感谢投票上头有记录........
感谢投票上头有记录通知我们应改善什么

    谢谢您的建议已转发编辑