机器学习项目框架生成器
whisk的Python项目详细描述
whisk:easy-bake-ML项目结构
whisk是一个开放源代码的ML项目框架，它使协作、可复制性和部署“正常工作”。它将一套轻量级工具与逻辑灵活的项目结构相结合。在没有软件工程师的情况下向世界发布你的模型。
Whisk不会将您锁定在特定的ML框架中，也不会要求您学习另一个ML打包API。相反，它允许您通过在Pythonic-way中构建ML项目来利用大型Python生态系统。Whisk在你专注于数据科学的同时进行结构化。
阅读更多关于我们的beliefs。
入门
从创建项目开始。开始终端会话并运行以下命令。注意：在下面的示例中，我们使用^{str1}$demo作为项目名称。如果使用其他项目名称，请确保将demo替换为项目名称。
$ pip install whisk
$ whisk create demo
$ cd demo
$ source venv/bin/activate
上面的命令执行以下操作：
要尝试所有功能，请继续quick tour of whisk →。
示例
whisk-mlGitHub org包含示例whisk项目。查看这些示例并在本地克隆它们。由于whisk使可复制性“正常工作”，在大多数情况下，您只需运行^{
- Text Classification with Pytorch
- Image Classification with Tensorflow
- SKLearn虹膜分类（即将推出）
信仰
- 一个可重复的、协作的项目对于经典软件来说是一个解决的问题—我们不需要为机器学习项目重新发明轮子。相反，我们需要指南来帮助数据科学家构建项目，而不是强迫他们也成为软件工程师。在
- 一个笔记本对于探索来说很好，但是对于生产来说不是这样的-数据科学笔记本是实验的开始，但是你不能仅仅用一个
*.ipynb文件来创建一个可重复的、协作的ML项目。在 - ^{str1}$Python已经有了一个很好的包管理器—我们不需要过度抽象的解决方案来打包一个经过训练的ML模型。一个结构正确的ML项目可以很容易地使用pip来打包模型，从而使anyone很容易从您的工作中获益。在
- Version control是一个需求-如果代码和训练数据不在版本控制中，就不能有一个可复制的项目。在
- Docker和Kubernetes通常不需要—当我们explicitly declare and isolate dependencies时，我们不需要依赖安装在Docker容器中的包的隐式存在。Docker还创建了一个缓慢的开发流程：反复重新启动Docker容器比在纯Python中重新启动要慢得多。Python已经为这个问题提供了可靠的本地工具。在
- Optimize for debugging-90%的编写软件都在修复bug。在本地调试模型逻辑应该很容易。您应该能够搜索错误并找到结果，而不是筛选自定义包源代码。在
贡献
想帮忙制作威士忌吗？看看我们的contributing documentation。
学分
这个包是用Cookiecutter和audreyr/cookiecutter-pypackage项目模板创建的。项目模板深受Cookiecutter Data Science的启发。
- 项目
标签：
欢迎加入QQ群-->： 979659372
