Tvorba a vizualizace DVC pipeline

Úvod do verzování dat s DVC

Ravi Bhadauria

Machine Learning Engineer

DVC pipeline

Posloupnost fází definující workflow strojového učení a závislosti
- Verzováno a sledováno pomocí Git
Definováno v souboru dvc.yaml
- Vstupní data a skripty (deps)
- Parametry (params)
- Příkazy pro spuštění fáze (cmd)
- Výstupní artefakty (outs)
  - Speciální data, např. metrics a plots

Přidání fáze předzpracování

Vytvořte fáze pomocí dvc stage add

dvc stage add \
-n preprocess \
-p params.yaml:preprocess \
-d raw_data.csv \
-d preprocess.py \
-o processed_data.csv \
python3 preprocess.py

stages:
  preprocess:
    cmd: python3 preprocess.py
    params:
      # Keys from params.yaml
      - params.yaml
        - preprocess
    deps:
    - preprocess.py
    - raw_data.csv
    outs:
    - processed_data.csv

Přidání fáze trénování a vyhodnocení

Přidejte fázi trénování s výstupem z předchozí fáze

dvc stage add \
-n train_and_evaluate \
-p train_and_evaluate \
-d train_and_evaluate.py \
-d processed_data.csv \
-o plots.png \
-o metrics.json \
python3 train_and_evaluate.py

Directed Acyclic Graph (DAG)

stages:
  train_and_evaluate:
    cmd: python3 train_and_evaluate.py
    params:
      # Skip specifying parameter file
      # Defaulted to params.yaml
      - train_and_evaluate
    deps:
    - processed_data.csv
    - train_and_evaluate.py
    outs:
    - plots.png
    - metrics.json

Aktualizace fází

Opakované spuštění dvc stage add

ERROR: Stage 'train_and_evaluate' 
already exists in 'dvc.yaml'.
Use '--force' to overwrite.

Použijte dvc stage add --force

dvc stage add --force \
-n train_and_evaluate \
-p train_and_evaluate \
-d train_and_evaluate.py \
-d processed_data.csv \
-o plots.png \
-o metrics.json \
python3 train_and_evaluate.py

Vizualizace DVC pipeline

# Print DAG on terminal
dvc dag

# Display DAG up to a certain step
dvc dag <target>

            +------------+     
            | preprocess |     
            +------------+     
                   *           
                   *           
                   *           
        +--------------------+ 
        | train_and_evaluate | 
        +--------------------+

Vizualizace DVC pipeline

# Display step outputs as nodes
dvc dag --outs

                    +-------------------------------+              
                    | processed_dataset/weather.csv |              
                    +-------------------------------+              
                          ***               ***                    
                       ***                     ***                 
                     **                           **               
          +--------------+                    +-----------+ 
          | metrics.json |                    | plots.png | 
          +--------------+                    +-----------+

Vizualizace DVC pipeline

dvc dag --dot

strict digraph  {
"preprocess";
"train_and_evaluate";
"preprocess" -> "train_and_evaluate";
}

Dvoustupňový DVC DAG vykreslený jako graf ze souboru DOT

¹ https://dreampuf.github.io/GraphvizOnline/

Pojďme si procvičit!

Úvod do verzování dat s DVC