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
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
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.loginNEPTUNEAPI_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
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
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
并见
找不到你正在寻找的用箱
保持联系 ML团队会为您制作定制演示
