和海王星直播项目取游
标识标识
取消
登录入 签名 联系我们
kb88凯时开户平台实验跟踪数据科学家

组织化自动化规范化kb88凯时开户平台灵活工具中你成长团队使用

版本数据实验更容易复制
搜索、可视化、调试和比较实验和数据集
分享并协作全组织实验结果

开始免费日志 看见 docs
免用信用卡
取交互游海王星公共项目 
neptune运行 = neptune.int_runs运行
日志ML元数据 组织实验 比较结果 重生实验 共享结果 集成化
图标日志ML元数据

记录ML管道中任何地方的模型元数据5分钟内启动

向ML管道中任何一步添加片段一次判定什么和如何登录运行百万次

  • 任意框架
  • 元数据类型
  • 从你ML管道中任何地方
任意框架 
import neptune    # Connect to Neptune and create a run  run = neptune.init_run()    # Log hyperparameters  run["parameters"] = {      "batch_size": 64,      "dropout":0.5,      "optimizer": {"type":"SGD", "learning_rate": 0.001},  }  # Log dataset versions  run["data/train_version"].track_files("train/images")    # Log the training process  for iter in range(100):      run["train/accuracy"].append(accuracy)    # Log test metrics and charts  run["test/f1_score"] = test_score  run["test/confusion_matrix"].upload(fig)    # Log model weights and versions  run["model/weights"].upload("my_model.pkl")    # Stop logging to your run  run.stop()
shell.pytoch.loggers导入NeptuneLeptune_logger=NeptuneLogger教程
untune_cbk
Neptune.Inger导入NeptuceLogger运行=Neptune.init_run
neptune.sklearns运行gbc.fit/xtrain,y_train运行
from neptune.integrations.lightgbm import NeptuneCallback, create_booster_summary    run = neptune.init_run()  neptune_callback = NeptuneCallback(run=run)    params = {      "boosting_type": "gbdt",      "objective": "multiclass",      "num_class": 10,      "metric": ["multi_logloss", "multi_error"],      "num_leaves": 21,      "learning_rate": 0.05,      "max_depth": 12,  }    # Train the model  gbm = lgb.train(      params,      lgb_train,      num_boost_round=200,      valid_sets=[lgb_train, lgb_eval],      valid_names=["training", "validation"],      callbacks=[neptune_callback],  )    run["lgbm_summary"] = create_booster_summary(      booster=gbm,      log_trees=True,      list_trees=[0, 1, 2, 3, 4],      log_confusion_matrix=True,      y_pred=y_pred,      y_true=y_test,  )
Neptune.combune.xgbost导入NeptuneCallrederors
neptuneCallback研究
Neptune_Airflow导入NeptuneLoggerd获取海王星运行当前任务#并人工日志元数据运行.get_run_comtextrun["checkpoint"].upload_files("my_model.h5")
装饰师 装饰师
元数据类型 
运行[score]=0.97范围(100):运行[srain/accriecy]
运行[模型/参数]={lr:0.2,优化器:{
run["train/images"].track_files("./datasets/images")
运行[Mitplotlib-fig].Upload(fg)误分类images_names:运行[smission_images].
run["visuals/altair-fig"].upload(File.as_html(fig))
run["video"].upload("/path/to/video-file.mp4")
run = neptune.init_run(capture_hardware_metrics=True)
run = neptune.init_run(source_files=["**/*.py", "config.yaml"])
装饰师 装饰师
从你ML管道中任何地方 
多管道节点日志
导出NEPTUNE_CUSTOMRUN_ID=SOMEID
多机日志并发
导出NEPTUNE_CUSTOMRUN_ID=SOMEID
开放完成运行SUN-123运行 neptune.int_run (with_id=SUN-123)#下载模型运行
脚本脚本
run=neptune.init_run
控制台
奈普奈同步
装饰师 装饰师
图标组织实验

组织并显示实验和模型元数据随心所欲

组织完全可定制嵌套结构日志显示模型元数据用户定义仪表板模板

  • 嵌套元数据结构
  • 自定义仪表板
  • 表视图
嵌套元数据结构 
运行[“精确度”]=0.62运行[“ROC_curve'].Upload(fig)运行[“模型/参数']s
装饰师 装饰师
自定义仪表板
装饰师 装饰师
表视图
装饰师
图标比较结果

搜索、调试和比较实验、数据集和模型

可视化训练直播海王星网络应用查看不同参数和配置对结果的影响优化模型快速

  • 比较
  • 搜索排序过滤器
  • 可视化显示
  • 监控直播
  • 分组方式
比较
装饰师 装饰师
搜索排序过滤器
装饰师 装饰师
可视化显示 
#支持建立altair、Plotly、Bokeh、视频、音频或完全封装的HTML
装饰师 装饰师
监控直播
装饰师 装饰师
分组方式
装饰师 装饰师
图标重生实验

版本数据集和实验易复制性

保存数据集版本、环境配置参数、代码、度量度和模型二进制

  • 版本数据集
  • 保存超参数
  • 轨迹环境代码
  • 保存度量和结果
  • 日志和版本模型二进制
版本数据集 
本地文件运行量. train_datast's. track_filess/train.csv'#本地目录运行量.train/images
装饰师 装饰师
保存超参数 
运行[参数/批量大小] = 5运行[参数/批量大小] = 32 PARMS= {“优化器”:sgd,smid
装饰师 装饰师
轨迹环境代码 
uneune.init_run(项目="common/showroom",依存eses='requirements.txt',sour_filessssssssss
装饰师 装饰师
保存度量和结果 
#日志评分运算 0.97评分运算 0.97评分运算 0.97#日志学习曲线unit/train/clicitysservation_recurvesservation_fig_prcs
装饰师 装饰师
日志和版本模型二进制 
run["model/binary"].upload("my_model.pkl")  run["model/version"].track_files("my_model.pkl")
装饰师 装饰师
图标共享结果

分享协作实验跨欧格结果模型

单存位置使团队能看到结果并存取所有模型和实验

  • 发送链接
  • 查询API
  • 管理用户和项目
  • 添加整件ORG
发送链接
装饰师 装饰师
查询API 
uneune.init_run
装饰师 装饰师
管理用户和项目
装饰师 装饰师
添加整件ORG
装饰师 装饰师
图标集成化

归并MLOps栈

hugging脸
闪电
yToch
TensorFlow/Keras
ikit学习
XGBoost
LightGBM
克德罗
查看所有集成支持工具
atar懒惰加载
引用
海王星常使用UI于是我加了一些自定义列 使我很容易看到趣味参数 并基于此 我只是移转运行
Wojciech Rosiński CTO回播视觉
atar懒惰加载
引用
消失时间写东西到谷歌文档 并努力记住运行执行内普图内拥有一切使我们能够专注于结果和更好的算法
Andreas Malekos 康斯坦丁工业人工智能主管
atar懒惰加载
引用
海王星美学因此我们可以简单使用报告生成的可视化

共训练12万多模型7千多子题归根结底海王星,我们能够过滤子题实验并比较以找到最佳子题并存储了大量元数据 超参数调优可视化 预测 泡菜模型等简言之,我们正在保存海王星需要的一切
PatrykMiziu 高级数据科学家深思.
atar懒惰加载
引用
工作方式不常实验查查海王星和Weights和Biases后,海王星由于其付费法或使用法定价而使我们理解现在当我们做主动实验时,我们可以扩大规模,当我们忙于整合所有模型数月时,我们再次缩放。
越元 CTOHEPEGERS
查看所有案例研究

获取启动

一号

创建免费账户

签名
2

安装海王星客户库

Pip安装neptune
3

轨迹实验

neptune运行 = neptune.init_run
装饰师
试活笔记本

AG凯时手机版

AG凯时手机版代码示例、视频、项目画廊和其他资源

多克
实例
网络研讨会
68kk凯时
项目画廊
用户故事
频繁查询问题

对可操作性Neptu等解答

  • 阅读更多关于我们的部署选项.

    简言之,是的,你可以部署海王星 在你的预科基础设施或私密云中

    一组微服务分布成Helm图表

    如果没有自己的Kubernetes集群部署, 我们安装者会为您搭建单节点集群

    按基础设施需求计算,你需要一台机器至少8CPUs、32GBRAM和1TBSSD存储

    读取正前置文档或与我们聊天(support@www.musclechai.com)

    万一你出问题 部署工程师会全程帮助你

  • 对,你只需参考数据集 坐在您的基础设施或云中

    举例说,S3上可以存取数据集并引用桶子

    run["train_dataset"].track_files("s3://datasets/train.csv")

    海王星将保存以下元数据集

    • 版本hash
    • 位置选择
    • 体积大小
    • 文件夹结构与内容

    海王星从不上传数据集,只记录元数据

    稍后您可以在UI中用数据集版本比较数据集或分组实验

  • 短版本人民选择海王星时

    • 他们并不想维护基础设施(包括自标升级、备份等)
    • 持续推广项目
    • 并请求用户访问多租户UI等

    长版阅读全特征逐特性比较

  • 短版本人民选择海王星时

    • kb88凯时开户平台他们想支付合理的代价 实验跟踪解决方案
    • 需要超弹性工具(可定制日志结构、仪表板、用时序ML工作优异)
    • kb88凯时开户平台需要实验跟踪和模型编译组件,非端对端平台(WandB有HPO、管弦化和模型部署等)整合空间最优类工具

    长版阅读全特征逐特性比较

  • 取决于你指什么模型监控

    和团队交谈时, 模型监控似乎对三位不同者有六大意义:

    • 监控模型制作性能看模型性能是否随时间变弱,你应重新培训
    • 监听模型输入输出分布看见输入数据、特征和预测分布随时间变化
    • 监控模型再培训学习曲线、训练模型预测分布或训练再训练期间混淆矩阵
    • 监控模型评价测试日志度量图、图表、预测和其他元数据用于自动化评价或测试管道
    • 5监控硬件度量查看CPU/GPU或内存模型培训推理使用
    • (6) ML监控CI/CD管道查看Ci/CD管道作业评价并视像比较

    取工具风景和海王星

    • 海王星3和4都非常好可我们看到团队使用它(5)和(6)
    • Prometheus+Grafana真正擅长(5),但人们使用它(1)和(2)
    • whyLabs或Arize真正擅长(1)和(2)

单位管理所有模型元数据

开始免费日志 见标价
部署海王星使用您的基础设施
Baidu
map