撰寫與視覺化 DVC pipeline

使用 DVC 進行資料版本控管入門

Ravi Bhadauria

Machine Learning Engineer

DVC Pipeline

定義機器學習流程與相依性的多個階段序列
- 以 Git 版本控管並追蹤
由 dvc.yaml 檔定義
- 輸入資料與指令碼（deps）
- 參數（params）
- 階段執行指令（cmd）
- 輸出成品（outs）
  - 特殊資料如 metrics 與 plots

加入前處理階段

使用 dvc stage add 建立階段

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

加入訓練與評估階段

使用前一步的輸出加入訓練步驟

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

有向無環圖（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

更新階段

多次執行 dvc stage add

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

使用 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

視覺化 DVC pipeline

# 在終端機列印 DAG
dvc dag

# 顯示至指定步驟的 DAG
dvc dag <target>

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

視覺化 DVC pipeline

# 以輸出作為節點顯示
dvc dag --outs

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

視覺化 DVC pipeline

dvc dag --dot

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

從 DOT 檔繪製的兩階段 DVC DAG 圖

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

一起來練習吧！

使用 DVC 進行資料版本控管入門