在GitHub仓库的操作选项卡中找到以上内

就这么复杂!只需更新代码，并把更新提交到数据库，任务流就自动执行。

回到第一步提到的特殊的.yaml文件——快速看一个。随意命名，文件后缀是.yaml即可，并将其贮存在.github/workflows中。如：

# .github/workflows/ci.yamlname: train-my-model 

on: [push]jobs: 

   run: 

      runs-on: [ubuntu-latest] 

   steps: 

      - uses: actions/checkout@v2 

      - name: training 

      run: | 

         pip install -r requirements.txt 

         python train.py 

指令多如云，但大少数都是从一个Action到另一个Action——大可照搬这份GitHubActions指南，记得在“运转”段填写任务流就好。

若文件在项目库中，只需GitHub检测到代码更新(经过推送变更)，GitHub Actions便会部署Ubuntu效劳器，尝试执行安装需求的命令并运转Python脚本。请留意，项目仓库中必须有任务流程所需文件——在这里为requirements.txt和train.py!

失掉更好的反应

自动训练很酷，但对一切的结果来说，采用易于了解的格式也很重要。如今，GitHub Actions允许拜访纯文本格式的效劳器日志。

GitHub Actions日志的打印输入示例

但了解模型功用是个顺手的活儿。模型和数据都是高维且非线性的——若无图片，了解这二者太难了。

我可以展现一种将数据可视化放入CI循环的办法。近几个月，我在Iterative.ai的团队(做数据版本控制)不断在研讨工具包，助力GitHub Actions和GitLab CI在机器学习项目中的运用，称为继续机器学习(Continuous Machine Learning ，简称CML)。这是开源且收费的。

团队的基本理念是：“用GitHub Actions训练机器学习模型”。我们曾经树立了一些函数，可给出更详细的报告而非一个成功/失败的通知。CML有助于在报告中放置图片和表格，如这个SciKit-learn生成的混杂矩阵：

在GitHub中点Pull Request即显示此报告

为了制造报告，GitHub Actions执行Python模型训练脚本，用CML函数把模型准确率和混杂矩阵写入markdown文件。然后CML把markdown文件传到GitHub。

修正后的.yaml文件包含以下任务流(新添加的行以粗体突出显示)。

name: train-my-model 

on: [push] 

jobs:  

   run:    

      runs-on: [ubuntu-latest]    

      container: docker://dvcorg/cml-py3:latest     

      steps:      

      - uses: actions/checkout@v2       

      - name: training        

        env:           

           repo_token: ${{secrets.GITHUB_TOKEN }}    

        run: |      

  

           # train.py outputs metrics.txtand confusion_matrix.png  

           pip3 install -rrequirements.txt          

           python train.py                    

        

           # copy the contents ofmetrics.txt to our markdown report 

(责任编辑：admin)