机器学习模型库管理器
mlhubv3的Python项目详细描述
正在开发中
简介
机器学习中心是一个[开源的 项目](https://github.com/mlhubber/mlhub)旨在轻松共享 [预先构建的机器学习 模型](https://github.com/mlhubber/mlmodels)。访问模型 并使用mlhub包中的ml命令进行管理 安装模型并在5分钟内运行演示。每种型号 已经在ubuntu(gnu/linux)上测试过。
访问上的[存储库索引](https://mlhub.ai/Packages.html) [mlhub.ai](https://mlhub.ai/)可以浏览模型本身 从[主池](https://mlhub.ai/pool/main/)。
快速启动
命令行界面可以使用 [pypi](https://pypi.org/project/mlhub/):
$ pip3 install mlhub
安装后,您将能够运行示例“rain”模型 假设你有免费的开源统计软件 已安装包](https://cran.r-project.org)。tl;dr版本是 下面。注意,您输入命令ml…并且 将忽略行尾的(注释):
$ ml install rain # Install the model named ‘rain’. $ ml demo rain # Run the demonstration of the model $ ml display rain # Graphical display of pre-built model.
以下命令可用,下面是对 每个命令:
$ ml # Show a usage message. $ ml available # List of pre-buld models on the MLHub. $ ml installed # List of pre-built models installed locally $ ml install rain # Install the model named ‘rain’. $ ml readme rain # View background information about the model. $ ml configure rain # Install required dependencies. $ ml commands rain # List of commands supported by the model. $ ml demo rain # Run the demonstration of the model $ ml print rain # Textual summary of the model. $ ml display rain # Graphical display of pre-built model. $ ml score rain # Run model on your own data.
不同的模型包将有不同的依赖关系,这些依赖关系将 通过configure命令安装。
快速入门:azure dsvm
一个特别吸引人的简单方法开始探索 mlhub的功能是启动一个 machine](https://aka.ms/dsvm)(dsvm)在azure上,每台只要10美元 一个相当小的服务器一个月或一个合理的服务器90美元。你可以 从微软获得免费信用(200美元)到[试用 dsvm](https://aka.ms/free)。
与设置相比,使用此虚拟机将节省大量时间 使用所需的依赖项建立自己的计算机,当然 如果您愿意,可以这样做,因为所有依赖项都是开源的。
要设置虚拟机,请使用azure订阅登录到 [门户](https://portal.azure.com/)并添加一个新的数据科学虚拟 Linux机器(ubuntu)。您需要提供一个名称(用于 一个用户名和密码,然后创建一个新资源 分组并给它命名,最后选择一个位置。与所有的 默认值,除了选择适合预算的大小 (b1s虽然便宜,但d2s是更好的交互体验)。注意 你只在机器启动时收费,每台90美元 一个月不可能是你将要花费的时间,如果你只是点燃 需要时提供服务。
一旦dsvm设置好,转到它的概览页面并单击dns name 配置并提供用于公开引用服务器的名称 (例如myml.westus2.cloudapp.azure.com)。
我们现在有一台服务器可以展示预先构建的机器学习 模型。有几个选项可以连接到服务器,但是 建议使用[x2go](https://x2go.org/)支持 Linux、Windows和Mac。安装并指向服务器(例如, 安装程序中的myml.westus2.cloudapp.azure.com)。
连接到DSVM。关闭弹出的Firefox窗口。点击 终端图标在底部,您可以开始了:
$ pip install mlhub $ ml $ ml available
等
预建模型存档
模型是作为.mlm文件存档并托管在存储库中的zip文件。 公共存储库是[mlhub.ai](https://mlhub.ai/)。ml命令 可以在本地安装预先构建的模型,准备运行演示,以便打印 显示模型,并使用该模型对新数据进行评分。一些 模型提供了使用用户提供的数据重新训练模型的能力。
为ML Hub贡献模型
欢迎任何人向ml hub贡献一个预先构建的模型包。 请通过提交请求 [github](https://github.com/mlhubber)。
安装PIP3
在ubuntu上,这很简单:
$ sudo apt install python3-pip
替代PIP安装
取决于在设置PIP时,您可能需要使用:
$ pip3 install mlhub
可执行文件可以放入~/.local/bin中,这需要 在你的路上。编辑您的shell启动程序,它可以是.profile或 .bashrc等:
PATH=”$HOME/.local/bin:$PATH”
替代安装
包含mlhub包和命令行接口的tar.gz是 可用作 [mlhub_1.6.7.tar.gz](https://mlhub.ai/dist/mlhub_1.6.7.tar.gz)内 mlhub的[分发文件夹](https://mlhub.ai/dist/)。
从tar.gz文件安装:
$ wget https://mlhub.ai/dist/mlhub_1.6.7.tar.gz $ pip install mlhub_1.6.7.tar.gz $ ml
或者解压缩以上下载的.tar.gz并安装:
$ wget https://mlhub.ai/dist/mlhub_1.6.7.tar.gz $ tar xvf mlhub_1.6.7.tar.gz $ cd mlhub $ python3 setup.py install –user
贡献
开源的mlhub命令行工具(ml)和示例模型 托管在[github](https://github.com/mlhubber)上并为 命令行工具和新开源的贡献 最受欢迎的是预先构建的机器学习模型。请随意提交 拉取请求。