إدارة إصدارات البيانات والنماذج
أعد إنتاج أي تشغيل انطلاقًا من مدخلاته
إدارة إصدارات البيانات والنماذج درس مجاني في Deep Learning Academy على CoddyKit. هذا هو الدرس 2 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في Deep Learning Academy، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة Deep Learning Academy 4 دروس في المجموع.
إصدار الشفرة غير كافٍ
يتتبّع Git شفرتك على نحو ممتاز، لكن النموذج يعتمد أيضًا على البيانات والأوزان. ولكي تعيد إنتاج نتيجة ما، يجب أن تضع لها إصدارات أيضًا. 🗂️
لماذا تؤدي تغييرات البيانات إلى إفساد عمليات التشغيل
تنمو مجموعات البيانات أو تُنظَّف أو يُعاد تصنيفها. وإذا لم تتمكن من تحديد أي إصدار من البيانات درّب النموذج، فلن تستطيع أبدًا إعادة بناء النتيجة نفسها تمامًا.
مثلث قابلية إعادة الإنتاج
لا يكون التشغيل قابلًا لإعادة الإنتاج إلا عند تثبيت ثلاثة أشياء معًا: الشفرة والبيانات والأوزان المدرَّبة. إذا أسقطت أيًّا منها، ستتغير النتيجة.
احسب تجزئة البيانات
لا تُخزّن الملفات الضخمة في Git. بدلاً من ذلك، تسجّل قيمة تجزئة، وهي بصمة مختصرة لمجموعة البيانات، بحيث يُكتشف أي تغيير فورًا.
import hashlib
h = hashlib.md5(open("train.csv","rb").read()).hexdigest()تعرّف إلى DVC
تعمل DVC، أي Data Version Control، فوق Git لإدارة إصدارات الملفات الكبيرة. فهي تخزّن مؤشرًا صغيرًا في Git، بينما تضع البيانات الفعلية في وحدة تخزين بعيدة.
pip install dvcتتبّع مجموعة بيانات
يُخبر أمر واحد DVC بإدارة ملف. ويستبدل البيانات الضخمة بمؤشر .dvc صغير يمكن لـ Git حفظه بأمان.
dvc add data/train.csvادفع البيانات إلى وحدة تخزين بعيدة
توجد وحدات البايت الفعلية في التخزين السحابي، لا في مستودعك. يرفعها dvc push حتى يتمكن أعضاء الفريق من سحب الملفات نفسها تمامًا لاحقًا.
dvc pushأنشئ إصدارًا للنموذج أيضًا
احفظ الأوزان باسم واضح يربطها بتشغيل معين. ويجعل ربط نقطة التحقق بالالتزام وقيمة تجزئة البيانات النموذج قابلًا للتتبّع بالكامل.
torch.save(model.state_dict(), "model_v3.pt")ضع علامات على الإصدارات
عندما يصبح النموذج جيدًا بما يكفي لإطلاقه، سجّل تلك اللحظة. تتيح لك علامة Git، مثل v1.0، العودة إلى الشيفرة والبيانات والأوزان نفسها تمامًا في أي وقت.
git tag -a v1.0 -m "first production model"أعد إنتاج أي تشغيل
بعد إنشاء إصدارات لكل شيء، تتكون الاستعادة من خطوتين: نفّذ checkout للالتزام، ثم dvc pull. وستحصل على المدخلات المطابقة تمامًا لتلك التي أنتجت النموذج الأصلي.
git checkout v1.0
dvc pullإنشاء الإصدارات يبني الثقة
عندما يتمكن أي شخص من إعادة بناء نتيجة من الصفر، يصبح عملك قابلًا للتدقيق. وهذه الثقة هي ما يميّز مشروعًا تجريبيًا عن تعلّم آلي مخصص للإنتاج.
تحقق سريع
كيف يُبقي DVC مجموعات البيانات الكبيرة خارج Git؟
مراجعة
تعلّمت إنشاء إصدارات للبيانات والنماذج: احسب تجزئة للمدخلات، وتتبّع الملفات باستخدام DVC، وادفعها إلى وحدة تخزين بعيدة، وضع علامات على الإصدارات بحيث يمكن إعادة إنتاج أي تشغيل. 🎉
تعلم Python مع معلم ذكاء اصطناعي — مجانًا
اكتب وقم بتشغيل أكوادك الفعلية في المتصفح، واحصل على مساعدة فورية من معلم ذكاء اصطناعي متاح 24/7، واستمر من حيث توقفت على الويب أو في التطبيق.
- الدورات
- 30
- الدروس
- 120
الأسئلة الشائعة
هل درس «إدارة إصدارات البيانات والنماذج» مجاني؟
نعم — نص درس «إدارة إصدارات البيانات والنماذج» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة Deep Learning Academy، انتقل إلى CoddyKit PRO. تتضمن دورة Deep Learning Academy 4 دروس في المجموع.
ماذا ستتعلم في «إدارة إصدارات البيانات والنماذج»؟
أعد إنتاج أي تشغيل انطلاقًا من مدخلاته تتمرن على Deep Learning Academy مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.
هل أحتاج إلى خبرة سابقة لأبدأ Deep Learning Academy؟
لا تُشترط خبرة سابقة. Deep Learning Academy على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 2 من أصل 4.
كم من الوقت يستغرق درس «إدارة إصدارات البيانات والنماذج»؟
معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.
هل يمكنني كتابة وتشغيل أكواد في درس Deep Learning Academy هذا؟
نعم. كل درس في Deep Learning Academy يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.
جميع الدروس في هذه الدورة
- تتبّع التجارب باستخدام Weights & Biases
- إدارة إصدارات البيانات والنماذج
- اكتشاف انجراف البيانات والنموذج
- أتمتة مسارات إعادة التدريب