Antinex Python客户端
antinex-client的Python项目详细描述
Antinex Python客户端
python api客户端,用于在restapi运行的情况下训练深层神经网络
https://github.com/jay-johnson/train-ai-with-django-swagger-jwt
安装
pip安装antinex客户端
antinex堆栈状态
antinex客户端是antinex堆栈的一部分:
Component | Build | Docs Link | Docs Build |
---|---|---|---|
REST API | Docs | ||
Core Worker | Docs | ||
Network Pipeline | Docs | ||
AI Utils | Docs | ||
Client | Docs |
运行预测
这些示例使用默认用户root和密码123321。建议以后将此更改为您自己的用户。
用json记录列表训练深度神经网络
ai -u root -p 123321 -f examples/predict-rows-scaler-django-simple.json
训练一个深度神经网络,用antinex数据集预测攻击
请确保rest api、芹菜工人和antinex核心工人可以使用这些数据集。数据集已经包含在Docker容器ai-core中,默认文件compose.yml中:
如果您在Docker外部运行,请确保使用以下命令克隆repo:
git clone https://github.com/jay-johnson/antinex-datasets.git /opt/antinex/antinex-datasets
训练django防御深层神经网络
请稍候,这需要几分钟才能返回并将预测转换为pandas数据帧。
ai -u root -p 123321 -f examples/scaler-full-django-antinex-simple.json ... [30200 rows x 72 columns]
使用预先训练的神经网络进行预测
管理记忆中预先训练好的深层神经网络。在运行REST API compose.ymldocker容器时,可以将"publish_to_core": true添加到请求中,从而与rest api一起使用。
运行:
ai -u root -p 123321 -f examples/publish-to-core-scaler-full-django.json
下面是使用预先训练的模型运行的请求与训练新神经网络的请求之间的差异:
antinex-client$ diff examples/publish-to-core-scaler-full-django.json examples/scaler-full-django-antinex-simple.json 5d4 < "publish_to_core": true, antinex-client$
准备数据集
ai_prepare_dataset.py -u root -p 123321 -f examples/prepare-new-dataset.json
获取深度神经网络的工作记录
通过设置获取用户的mljob记录:-i <MLJob.id>
这包括keras dnn的模型json或模型描述。
ai_get_job.py -u root -p 123321 -i 4
获取深度神经网络的预测结果
通过设置获得用户的mljobresult记录:-i <MLJobResult.id>
这包括来自培训或预测工作的预测。
ai_get_results.py -u root -p 123321 -i 4
获取准备好的数据集
通过设置获取用户的mlprepare记录:-i <MLPrepare.id>
ai_get_prepared_dataset.py -u root -p 123321 -i 15
使用从环境变量构建的客户机
这就是Network Pipeline如何将数据流传送到AntiNex Core以使用预先训练的模型进行预测。
导出示例环境文件:
source examples/example-prediction.env
运行客户端预测流脚本
ai_env_predict.py -f examples/predict-rows-scaler-full-django.json
发展
virtualenv -p python3 ~/.venvs/antinexclient && source ~/.venvs/antinexclient/bin/activate && pip install -e .
测试
全部运行
python setup.py test
起毛
薄片8。
PycodeStyle。
许可证
apache 2.0-有关详细信息,请参阅LICENSE