在一行代码中部署模型
auto-mlops的Python项目详细描述
轻松、可伸缩、可靠地部署ML管道
Datarmada的目标是消除生产中机器学习带来的所有摩擦。 我们知道,数据科学家并没有受过这样的训练,有时他们是这样做的 甚至不被软件工程/DevOps方面吸引。在
此包旨在将机器学习管道部署到服务器上,只需一行。在
您的管道部署在OVH服务器上,因此您拥有自己的数据,并且它符合欧洲法规。在
安装
使用pip安装python包
pip install auto-mlops
部署您的管道
从包中导入Deployer
类。在
现在,通过向deploy
方法传递一个包含其所有元素的列表来部署管道。
管道元件(最后一个除外)必须是:
- 如果不需要安装管道元素,则返回已转换数据的函数
- 实现
transform
方法的类的实例
管道的最后一个元素必须是类a predict
方法的实例,例如
scikit learn或Keras模型。在
fromsklearn.linear_modelimportLogisticRegressiondefpreprocess(raw_data):# preprocess the datareturnpreprocessed_dataclassFeaturizer:deftransform(self,preprocessed_data):# transform the datareturnfeaturized_datalog_reg=LogisticRegression()log_reg.fit(featurized_data,y)deployer.deploy([preprocess,featurizer,log_reg])
记住,如果需要,必须安装元素!
您将被要求提供电子邮件地址,以便我们跟踪所部署管道的所有权,并向您提供 将来可以使用监控功能。在
deployer.deploy([preprocess,featurizer,log_reg])>>Pleaseenteryouremailaddresssothatwecankeeptrackofyourpipelines:you@example.com>>Yourpipelinehasbeendeployedtohttps://cloud.datarmada.com/id
您可以通过deployer.route
随时访问您的路线
做出预测
现在可以通过发出如下POST请求将数据发送到路由
importrequestsres=requests.post("https://cloud.datarmada.com/id",json={"data":your_raw_data})print(res.json())>>{"prediction":prediction}
您正在使用的某个包可能在我们部署模型的环境中不可用。 如果您收到这样的错误消息,请发送电子邮件至contact@datarmada.com以便我们修复它。在
- 项目
标签: