Dvc + Streamlit =❤️

此存储库是演示如何使用的示例"在一起streamlit可以帮助跟踪模型在研发探索过程中的性能。

python代码不是这个存储库的目的。它改编自迁移学习Tensorflow教程．

在训练和评估过程中产生的数据、度量、模型权重使用"而一个streamlit应用允许可视化地探索模型预测和比较训练模型最佳电子竞技即时竞猜平台。。

安装

需求

• Python >= 3.7.1，< 3.10
• 为GPU支持Tensorflow 2.4。x: Nvidia驱动> 450和Cuda >= 11

安装依赖关系

1. (可选)安装的诗歌如果你还没有的话。
2. 安装的依赖关系:诗歌安装

"命令

存储库包含单个DVC管道它看起来像这样:

阶段描述：

＃	艺名	描述
1	download_dataset	下载cat_vs_dogs数据集来数据/生文件夹
2	split_dataset	猫对狗没有测试子集。这个阶段保留了火车的子集，并拆分瓦尔成子集瓦尔和测试子集。然后，它复制图像火车/瓦尔/测试子文件夹中数据/数据集
3.	火车	从预训练的网络中使用迁移学习训练分类器
4	评估	计算训练模型的精度测试子集

常用的dvc命令:

命令	描述
"拉	提取所有数据:数据集图像、模型权重等
"的复制品	重新启动整个管道。使用- f强制管道执行或- s发射:发射单级
DVC图显示数据/评估/预测。csv——out数据/评估/confusion.html	生成混淆矩阵DVC预定义模板．
dvc dag——full——dot | dot - png -o docs/images/dvc-pipeline.png	重新生成上面的管道图。graphviz包是必需的。

要进一步了解，请参阅dvc CLI参考．

⚠️关于dvc远程存储的说明远程存储是Sicara的公共s3桶(参见DVC配置文件）.默认情况下，您具有读取("拉)但你不会写("推）.如果您想运行实验并将结果保存为"推，考虑添加你自己的dvd遥控器．

Streamlit仪表板

启动Streamlit应用程序:流式运行st_scripts/st_dashboard.py

打开浏览器，你应该会看到Streamlit应用程序:

使用docker运行

1. 构建docker镜像:Docker build - dvc- streamlite -example
2. 运行docker:docker运行——gpu all——rm -v $PWD:/tmp——shm-size=1g dvc- streamlite -example ${CMD}．例如，重新启动培训渠道:

   docker运行——gpu all——rm -v $PWD:/tmp——shm-size=1g dvc-stream -example dvc repro