Melacak Metrik DVC

Pipeline DVC digunakan untuk menjamin reproduksibilitas proyek Anda.

Dalam latihan ini, Anda akan memperluas pengetahuan tentang membangun pipeline dalam berkas dvc.yaml dan menjalankan langkah-langkah untuk melatih model Machine Learning secara sistematis. Tugas Anda mencakup mengeksekusi berbagai bentuk perintah dvc metrics untuk memahami nuansanya. Kami sudah menjalankan pipeline sekali dan melakukan commit berkas metrik ke Git.

Latihan ini merupakan bagian dari kursus

Pengantar Versioning Data dengan DVC

Lihat Kursus

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Mulai latihan

Latihan ini merupakan bagian dari kursus

Pengantar Versioning Data dengan DVC

SkillTag.level.intermediateSkillTag.label

4.8+

380 reviews

Mulai Kursus Gratis

Bab ini memberikan pengantar komprehensif tentang Data Version Control (DVC), alat penting untuk versioning data dalam machine learning. Anda akan mengeksplorasi motivasi di balik versioning data, memahami perbedaannya dengan versioning kode, dan mencoba masalah klasifikasi sederhana. Anda akan meninjau perintah Git dasar, mempelajari DVC, dan berlatih menyiapkan repositori. Bab ini diakhiri dengan ikhtisar fitur dan kasus penggunaan DVC, termasuk versioning data dan model, CI/CD untuk machine learning, pelacakan eksperimen, pipeline, dan lainnya.

Exercise 1: Motivasi Versioning Data Exercise 2: Anatomi Model Machine Learning Exercise 3: Perbedaan antara Versioning Data dan Kode Exercise 4: Memahami Hiperparameter Exercise 5: Pengenalan DVC Exercise 6: Bekerja dengan Git CLI Exercise 7: Tinjau DVC CLI Exercise 8: Fitur DVC dan kasus penggunaan Exercise 9: Pipeline DVC Exercise 10: CI/CD untuk machine learning

Bab ini membahas penyiapan DVC, mencakup aspek seperti instalasi, inisialisasi repositori, dan penggunaan berkas .dvcignore. Bab ini juga mengulas eksplorasi cache DVC dan berkas staging, memberikan pemahaman tentang cara menambahkan dan menghapus berkas, mengelola cache, serta memahami mekanisme dasarnya menggunakan hash MD5. Bab ini juga menjelaskan DVC remote, membedakannya dari Git remote, dan memandu Anda cara menambah, menampilkan daftar, dan memodifikasinya. Terakhir, Anda akan mempelajari cara berinteraksi dengan remote tersebut dengan melakukan push dan pull data, checkout versi tertentu, serta fetch data ke cache.

Exercise 1: Penyiapan dan Inisialisasi DVC Exercise 2: Menyiapkan DVC Exercise 3: .dvcignore Patterns Exercise 4: Cache DVC dan Berkas Staging Exercise 5: Bekerja dengan DVC Cache Exercise 6: Memahami Berkas .dvc Exercise 7: Mengonfigurasi Remote DVC Exercise 8: Tujuan DVC Remotes Exercise 9: Menyiapkan DVC Remote Exercise 10: Berinteraksi dengan DVC Remote Exercise 11: Versioning Data menggunakan DVC Remote Exercise 12: Melakukan Checkout Data yang Berversi

Bab ini berfokus pada otomasi pipeline ML menggunakan DVC. Anda akan membuat berkas konfigurasi yang berisi pengaturan dan hiperparameter. Anda juga mempelajari visualisasi pipeline menggunakan directed acyclic graph dan menggunakan perintah untuk mendeskripsikan dependensi, perintah, dan keluaran. Eksekusi pipeline DVC dibahas, termasuk pelatihan model lokal dan bagaimana Git melacak metadata DVC. Selain itu, Anda akan mengeksplorasi pelacakan metrik dan plot di DVC, termasuk cara menampilkan metrik, membuat berkas plot, serta membandingkan metrik dan plot di berbagai tahap pipeline.

Exercise 1: Organisasi kode dan refaktorisasi Exercise 2: Memahami berkas parameter di DVC Exercise 3: Tulis sebuah berkas parameter Exercise 4: Menulis dan memvisualisasikan pipeline DVC Exercise 5: Merancang pipeline DVC Exercise 6: Memvisualisasikan pipeline DVC Exercise 7: Menjalankan pipeline DVC Exercise 8: Konsep eksekusi pipeline DVC Exercise 9: Menjalankan pipeline pelatihan model ML Exercise 10: Evaluasi: Metrik dan plot di DVC Exercise 11: Melacak Metrik DVC

Latihan Saat Ini

Exercise 12: Menambahkan plot ke dvc.yaml Exercise 13: Selamat!