cat metrics.txt >>report.md                     # addour confusion matrix to report.md 

           cml-publishconfusion_matrix.png --md >> report.md            # send the report to GitHub fordisplay  

           cml-send-comment report.md 

记住，.yaml如今包含更多详细配置信息，例如特殊的Docker容器和环境变量，以及一些要运转的新代码。每个CML项目中的容器及环境变量的详细信息都是固定的，用户无需操作，只关注代码就行。

将这些CML函数添加就任务流中，我们便在CI系统中创立了更残缺的反应循环：

树立一个Git分支，在分支上更新代码。

自动训练模型并生成度量(准确率)和可视化(混杂矩阵)。

将这些结果嵌入到Pull Request中的可视报告。

当你和队友还在思索更新能否有助于完成建模目的时，各种可参照的可视化表盘就曾经新颖出炉了。另外，该报告经过Git衔接到确切项目版本(数据和代码)、训练所用效劳器及效劳器的日志。无比详细!任务空间不再总是漂浮着与代码有关的图表了。

这就是CI在数据迷信项目中的基本概念。明白一下，这只是运用CI的最复杂的实例。实践操作中很能够遇到各种更为复杂的状况。CML也有一些特性，可帮你运用贮存在GitHub库之外的大数据集(运用DVC)并在云端停止训练，而非在默许的GitHub Actions效劳器训练。这意味着能运用GPU和其它专业设置。

例如，我用GitHub Actions创立一个项目以部署EC2 GPU，然后训练神经作风转换模型。这是我的CML报告：

还可运用本人的Docker容器，进一步模拟

CI对机器学习的最后思索

总结一下，DevOps不是一种特定技术。它既是实际，又是一系列准绳和实际，用于彻底重建开发软件进程，其高效性在于处置了团队任务及测试新代码的系统性瓶颈。

未来，数据迷信愈加成熟，掌握在机器学习项目中运用DevOps准绳的人就愈加炙手可热——薪资可观，组织影响力大。继续集成是DevOps的基础，也是已知的树立具有牢靠自动化、快速测试和团队自治文明的最有效办法之一。

GitHub Actions或GitLab CI之类的系统可完成CI。可运用这些效劳构建自动模型训练系统。其益处颇多：

代码、数据、模型和训练基础(硬软件环境)都是git版本。

自动化任务、停止高频测试并失掉迅速反应(运用CML即可拿到可视化报告)。从长期看，这无疑会减速项目开展。

CI系统让每个团队成员都能看就任务停顿。大家无需绞尽脑汁搜集最佳运转的代码、数据及模型。

图源：unsplash

一旦入了坑，一键git commit就能自动停止模型训练、记载并报告，相对让你乐翻天。举动起来，觉得棒极了!

(责任编辑：admin)