Scrierea și vizualizarea pipeline-urilor DVC

Introducere în versionarea datelor cu DVC

Ravi Bhadauria

Machine Learning Engineer

Pipeline-uri DVC

  • Secvență de etape care definesc fluxul ML și dependențele

    • Versionate și urmărite cu Git
  • Definit în fișierul dvc.yaml

    • Date de intrare și scripturi (deps)
    • Parametri (params)
    • Comenzi de execuție (cmd)
    • Artefacte de ieșire (outs)
      • Date speciale, ex. metrics și plots
Introducere în versionarea datelor cu DVC

Adăugarea etapei de preprocesare

  • Creați etape folosind 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
Introducere în versionarea datelor cu DVC

Adăugarea etapei de antrenare și evaluare

  • Adăugați o etapă de antrenare folosind ieșirea etapei anterioare
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
  • Graf Aciclic Direcționat (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
Introducere în versionarea datelor cu DVC

Actualizarea etapelor

  • Executarea dvc stage add de mai multe ori
ERROR: Stage 'train_and_evaluate' 
already exists in 'dvc.yaml'.
Use '--force' to overwrite.
  • Utilizați 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
Introducere în versionarea datelor cu DVC

Vizualizarea pipeline-urilor DVC

# Print DAG on terminal
dvc dag
# Display DAG up to a certain step
dvc dag <target>
            +------------+     
            | preprocess |     
            +------------+     
                   *           
                   *           
                   *           
        +--------------------+ 
        | train_and_evaluate | 
        +--------------------+
Introducere în versionarea datelor cu DVC

Vizualizarea pipeline-urilor DVC

# Display step outputs as nodes
dvc dag --outs
                    +-------------------------------+              
                    | processed_dataset/weather.csv |              
                    +-------------------------------+              
                          ***               ***                    
                       ***                     ***                 
                     **                           **               
          +--------------+                    +-----------+ 
          | metrics.json |                    | plots.png | 
          +--------------+                    +-----------+
Introducere în versionarea datelor cu DVC

Vizualizarea pipeline-urilor DVC

dvc dag --dot
strict digraph  {
"preprocess";
"train_and_evaluate";
"preprocess" -> "train_and_evaluate";
}

Un DAG DVC cu două etape reprezentat ca graf dintr-un fișier DOT

1 https://dreampuf.github.io/GraphvizOnline/
Introducere în versionarea datelor cu DVC

Să exersăm!

Introducere în versionarea datelor cu DVC

Preparing Video For Download...