一个最小可接受的机器学习流程，基于AWS SageMaker构建。
项目描述
ML2P – 或 (ML)^2P – 是一个最小可接受的机器学习流程，也是AWS SageMaker的一个更友好的接口。
设计目标
支持完整的机器学习生命周期
支持自定义特征工程
支持在Python中构建自定义模型
提供模型的可重复训练和部署
支持使用自定义的基础Docker镜像进行训练和部署
具体来说，它提供了一个命令行界面和Python库，以帮助管理
- S3
管理训练数据
- SageMaker
启动训练作业
部署训练好的模型
创建笔记本实例
- 在您的本地机器或SageMaker笔记本上
从S3下载训练数据集
训练模型
从SageMaker / S3加载训练好的模型
安装
使用以下方法安装ML2P
$ pip install ml2p
邮件列表
如果您对ML2P有任何问题，或想贡献或提出改进建议，欢迎您加入我们的项目邮件列表 https://groups.google.com/g/ml2p 并在那里给我们写信。
概述
ML2P有助于管理机器学习项目。您将通过编写一个名为 ml2p.yml 的小型YAML文件来定义您的项目。
project: "ml2p-tutorial" s3folder: "s3://your-s3-bucket/" models: bob: "models.RegressorModel" defaults: image: "XXXXX.dkr.ecr.REGION.amazonaws.com/your-docker-image:X.Y.Z" role: "arn:aws:iam::XXXXX:role/your-role" train: instance_type: "ml.m5.large" deploy: instance_type: "ml.t2.medium" record_invokes: true
本文件指定了
项目：您的项目名称
s3folder：存储您项目模型和数据集的S3桶
models：将用于训练模型和进行预测的模型名称和Python类列表
默认值:
image：项目在训练和预测时使用的Docker镜像
role：项目运行的AWS角色
训练:
instance_type：在训练模型时使用的AWS实例类型
部署:
instance_type：在部署模型时使用的AWS实例类型
record_invokes：是否在S3中记录预测请求
您的项目名称作为ML2P创建的SageMaker训练作业、模型和端点名称的前缀（因为这些名称在SageMaker账户内是全局的）。
ML2P还将所有创建的AWS对象都标记为您的项目名称。
教程
关闭
ml2p-0.4.0.tar.gz的哈希值
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | a1e2a0c458b4ca1e9c6abc31a96ec32a24b560a80af954aaa4fd3dbbc90a1571 |
|
| MD5 | e9f8d5a8a7efe6b349a7def9fbbffd23 |
|
| BLAKE2b-256 | 96c6deb0c3112406da0a7a63511eabac835f65034e4e5d16ed6dfc88c14522fc |
关闭
ml2p-0.4.0-py2.py3-none-any.whl的哈希值
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | 2584fee118f64eebc45bc10258f4d34fc75b4e3c52c716aa865163deae16ca41 |
|
| MD5 | f7228efcdb5ce6c0f9530bd7e9bb808f |
|
| BLAKE2b-256 | b594f249ae712df96fa1d421b02671b75329c665609c84b8e328acaf6e395da0 |
