Gratulacje!

Wprowadzenie do wersjonowania danych z DVC

Ravi Bhadauria

Machine Learning Engineer

Wersjonowanie danych i DVC

  • Anatomia modelu uczenia maszynowego
    • Kod, dane i hiperparametry precyzyjnie definiują model
    • Wszystkie trzy elementy muszą być śledzone i wersjonowane
  • Git i DVC
    • Git śledzi kod, DVC śledzi dane
    • Git przechowuje metadane dotyczące danych
  • DVC umożliwia
    • Wersjonowanie danych i modeli
    • Uruchamianie odtwarzalnych potoków eksperymentów
    • Śledzenie zmian w metrykach i wykresach
Wprowadzenie do wersjonowania danych z DVC

Konfiguracja, pamięć podręczna i repozytoria zdalne DVC

  • Konfiguracja
    • Instalacja: pip install dvc
    • Inicjalizacja: dvc init
    • Użyj .dvcignore, aby kontrolować śledzone wzorce plików
  • Pamięć podręczna
    • Dodaj pliki: dvc add
    • Śledzenie metadanych za pomocą plików .dvc
    • Usuń: dvc remove, wyczyść: dvc gc
  • Repozytoria zdalne
    • Konfiguracja: dvc remote add, lista: dvc remote list
    • Przesyłanie i pobieranie danych: dvc push i dvc pull
Wprowadzenie do wersjonowania danych z DVC

Potoki DVC

  • Anatomia pliku dvc.yaml

    • Dodaj etapy: dvc stage add
    • Komponenty: steps, commands, dependencies, params i outputs
    • Śledzenie metryk i wykresów: klucze metrics i plots

  • Wizualizacja i uruchamianie DAG

    • Wizualizacja: dvc dag
    • Uruchamianie: dvc repro

  • Wyświetlanie i porównywanie metryk i wykresów

    • Wizualizacja: dvc plots show i dvc metrics show
    • Porównanie: dvc plots diff i dvc metrics diff
Wprowadzenie do wersjonowania danych z DVC

Dziękujemy!

Wprowadzenie do wersjonowania danych z DVC

Preparing Video For Download...