Uruchamianie potoku DVC w GitHub Actions

W tym ćwiczeniu użyjesz akcji CML GitHub Action, aby uruchomić potok DVC i porównać metryki między gałęzią treningową a main. Potok uruchomi się automatycznie po otwarciu PR względem gałęzi main.

Wynikiem działania skryptu train.py jest plik metrics.json zawierający metryki modelu, które posłużą jako dane źródłowe do porównywania metryk między gałęziami.

Twoim zadaniem jest uzupełnienie szkieletu pliku .github/workflows/dvc_cml.yaml, tak aby zdefiniować ogólny przepływ trenowania modelu. Przewiń do linii 24, aby wprowadzić zmiany.

To ćwiczenie jest częścią kursu

CI/CD dla uczenia maszynowego

Zobacz kurs

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

CI/CD dla uczenia maszynowego

SkillTag.level.advancedSkillTag.label

4.8+

407 reviews

Rozpocznij kurs za darmo

W tym rozdziale poznasz podstawowe zasady Continuous Integration/Continuous Delivery (CI/CD) i YAML. Zrozumiesz cykl życia oprogramowania oraz kluczowe terminy: build, test i deploy. Odkryjesz różnice między Continuous Integration, Continuous Delivery i Continuous Deployment. Zbadasz też, jak ważną rolę odgrywa CI/CD w uczeniu maszynowym i eksperymentowaniu.

Exercise 1: Wprowadzenie do Continuous Integration/Continuous Delivery w uczeniu maszynowym Exercise 2: Ciągłe wdrażanie a ciągłe dostarczanie Exercise 3: Przepływ pracy w uczeniu maszynowym Exercise 4: Wprowadzenie do YAML Exercise 5: Składnia YAML Exercise 6: Mapowania i sekwencje w YAML Exercise 7: Wprowadzenie do GitHub Actions Exercise 8: Zastosowanie GitHub Actions Exercise 9: Anatomia GitHub Actions

Poznaj GitHub Actions (GHA) – wszechstronną platformę do wykonywania przepływów pracy CI/CD. Odkryj różnorodne składniki GHA: zdarzenia, akcje, zadania, kroki, runnery i kontekst. Dowiedz się, jak tworzyć przepływy pracy uruchamiane przez zdarzenia takie jak push i pull request, oraz jak dostosowywać maszyny runnerów. Ucz się przez praktykę: skonfiguruj podstawowe potoki CI i zgłęb szczegóły logów GHA.

Exercise 1: YAML średnio zaawansowany Exercise 2: Znajdź właściwą kombinację Exercise 3: Zaprojektuj workflow Continuous Integration Exercise 4: Konfigurowanie podstawowego potoku CI Exercise 5: Interpretowanie workflow GitHub Actions Exercise 6: Napisz przepływ pracy w GitHub Actions Exercise 7: Uruchamianie kodu z repozytorium Exercise 8: Gałęzie funkcji w modelu współdzielonego repozytorium Exercise 9: Uruchamianie kodu Pythona w GitHub Actions Exercise 10: Zmienne środowiskowe i sekrety Exercise 11: Czym jest GITHUB_TOKEN?Exercise 12: Praca ze zmiennymi środowiskowymi Exercise 13: Praca z sekretami

W tym rozdziale poznasz sposób integrowania trenowania modeli uczenia maszynowego z potokiem GitHub Actions przy użyciu akcji Continuous Machine Learning. Nauczysz się generować szczegółowy raport w formacie Markdown zawierający metryki modelu i wykresy. Zajmiesz się też wersjonowaniem danych w uczeniu maszynowym, korzystając z Data Version Control (DVC) do śledzenia zmian w danych. Rozdział obejmuje również konfigurowanie zdalnych repozytoriów DVC i transfer zbiorów danych. Na koniec poznasz potoki DVC i nauczysz się konfigurować plik YAML DVC, aby organizować odtwarzalne trenowanie modeli.

Exercise 1: Trenowanie modeli z GitHub Actions Exercise 2: Budowanie modelu klasyfikacji Exercise 3: Trenowanie modelu klasyfikacji Exercise 4: Konfiguracja trenowania modelu z użyciem CML Exercise 5: Wersjonowanie zbiorów danych z Data Version Control Exercise 6: Do czego potrzebne są pliki .dvc?Exercise 7: Wersjonowanie danych w praktyce Exercise 8: Interakcja z zdalnymi repozytoriami DVC Exercise 9: Korzyści z używania zdalnych repozytoriów DVC Exercise 10: DVC remoty w akcji Exercise 11: Potoki DVC Exercise 12: Tworzenie potoku DVC Exercise 13: Trenowanie modeli uczenia maszynowego z DVC

W tym rozdziale skupisz się na analizie wydajności modeli i strojeniu hiperparametrów. Zdobędziesz praktyczne umiejętności porównywania metryk i wizualizacji w różnych gałęziach, aby oceniać zmiany w wydajności modeli. Przeprowadzisz strojenie hiperparametrów za pomocą GridSearchCV z biblioteki scikit-learn. Ponadto zgłębisz automatyzację pull requestów z użyciem optymalnej konfiguracji modelu.

Exercise 1: Porównywanie metryk i wykresów w DVC Exercise 2: Dodawanie metryk i wykresów do dvc.yaml Exercise 3: Porównywanie metryk w różnych gałęziach Git Exercise 4: Uruchamianie potoku DVC w GitHub Actions

Bieżące ćwiczenie

Exercise 5: Strojenie hiperparametrów z DVC Exercise 6: Dodawanie strojenia hiperparametrów do dvc.yaml Exercise 7: Uruchamianie potoków DVC do strojenia hiperparametrów Exercise 8: Przepływ pracy GitHub Actions do strojenia hiperparametrów Exercise 9: Luźne powiązanie Exercise 10: Konfiguracja strojenia hiperparametrów w GitHub Actions Exercise 11: Gratulacje!