Pelajari AI dengan Python · Pelajaran

Git untuk Projek Kecerdasan Buatan

git init, .gitignore untuk data/model, melakukan commit pada notepad dan DVC untuk penversionan data.

Pelajaran 2 daripada 413 langkah

Git untuk Projek Kecerdasan Buatan ialah pelajaran Pelajari AI dengan Python percuma di CoddyKit. Ini ialah pelajaran 2 daripada 4. Sebanyak 3 pelajaran dalam laluan pembelajaran ini boleh dibaca sepenuhnya secara percuma — selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan praktikal dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Pelajari AI dengan Python, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.

Git dalam Projek Kecerdasan Buatan

Git menjejaki perubahan pada kod anda supaya anda boleh bekerjasama, membatalkan kesilapan dan menyemak sejarah. Namun, projek kecerdasan buatan mempunyai cabaran tambahan: fail data yang sangat besar dan model binari tidak sesuai disimpan dalam Git.

Pelajaran ini merangkumi .gitignore yang sesuai dan penggunaan DVC untuk pengversian data.

Perkara yang Git Jejaki dengan Baik

Git sangat sesuai untuk teks: kod sumber, konfigurasi, buku nota (dengan keluaran yang telah dipadamkan) dan dokumentasi. Git menyimpan perbezaan fail teks dengan cekap.

Git mengendalikan binari besar dengan kurang baik — setiap versi disimpan sepenuhnya, lalu membebankan repositori selama-lamanya.

Mengapa Data dan Model Tidak Patut Dilakukan Commit

Melakukan commit pada set data berukuran 2 GB atau model berukuran 500 MB:

Membebankan repositori dan memperlahankan setiap pengklonan
Perbezaannya tidak dapat dianalisis dengan bermakna
Kekal dalam sejarah selama-lamanya, walaupun selepas dipadamkan

Penyelesaian: abaikannya dalam Git dan lakukan pengversian dengan alat khusus.

Fail .gitignore

.gitignore menyenaraikan corak yang tidak patut dijejaki oleh Git. Cipta fail ini di direktori akar projek. Setiap baris ialah corak glob.

# .gitignore
*.pkl
*.joblib
*.h5
data/raw/*
data/processed/*
models/*
__pycache__/
*.pyc
.ipynb_checkpoints/
.env

Mengabaikan Fail Model dan Cache

Corak biasa untuk diabaikan dalam projek kecerdasan buatan:

*.pkl, *.joblib, *.h5 — model bersiri
__pycache__/, *.pyc — kod bait Python
.ipynb_checkpoints/ — simpanan automatik Jupyter
.env — rahsia dan kunci API (jangan sekali-kali lakukan commit pada fail ini!)

Mengekalkan Direktori Kosong dengan .gitkeep

Git mengabaikan direktori kosong. Untuk mengekalkan data/raw/ dalam struktur repositori sambil mengabaikan kandungannya, tambah fail kosong .gitkeep dan aturan penafian.

# .gitignore
data/raw/*
!data/raw/.gitkeep

Memperkenalkan DVC

DVC (Kawalan Versi Data) melakukan pengversian terhadap data dan model besar bersama Git. Git menjejaki fail penunjuk .dvc yang kecil; data sebenar disimpan dalam storan jauh (S3, GCS dan sebagainya).

Anda memperoleh versi data yang boleh diulang semula tanpa membebankan repositori Git.

dvc init

Mulakan DVC dalam repositori Git sedia ada. Ia mencipta direktori .dvc/ dan konfigurasi yang anda lakukan commit ke Git.

# in your git repo
dvc init
git add .dvc .gitignore
git commit -m "Initialize DVC"

dvc add — Menjejaki Data

dvc add mula menjejaki fail atau direktori. DVC memindahkan data ke cachenya dan mencipta fail penunjuk .dvc yang kecil. Anda melakukan commit pada penunjuk itu ke Git, bukannya pada data.

dvc add data/raw/dataset.csv
# creates data/raw/dataset.csv.dvc
git add data/raw/dataset.csv.dvc data/raw/.gitignore
git commit -m "Track dataset with DVC"

dvc push dan dvc pull

Konfigurasikan storan jauh, kemudian dvc push memuat naik data kepadanya dan dvc pull memuat turun versi yang sepadan dengan commit Git semasa. Beginilah cara rakan sepasukan berkongsi data.

dvc remote add -d storage s3://my-bucket/dvcstore
dvc push          # upload data to the remote

# teammate after git clone + git checkout:
dvc pull          # fetch the matching data version

Aliran Kerja Pasukan

Kitaran Git + DVC menghubungkan versi kod dan data:

git pull untuk mendapatkan kod terkini dan penunjuk .dvc
dvc pull untuk mendapatkan data dan model yang sepadan
Bekerja, kemudian dvc add + git commit + dvc push

Beralih kepada commit lama dan menjalankan dvc pull akan menghasilkan semula keadaan tepat tersebut.

Semakan Pantas: Fail Besar

Projek anda mempunyai set data latihan berukuran 1 GB dan fail model berukuran 300 MB.

Jawab dalam pelajaran interaktif

Imbas Kembali: Git untuk Projek Kecerdasan Buatan

Anda telah mempelajari kawalan versi khusus kecerdasan buatan:

Git untuk teks (kod, konfigurasi, buku nota); bukan untuk binari besar
.gitignore untuk *.pkl, data/raw/*, __pycache__, .env
.gitkeep untuk mengekalkan direktori kosong
DVC: dvc init, dvc add, dvc push/pull untuk melakukan pengversian data dan model
Aliran kerja Git + DVC memastikan kod dan data sentiasa segerak

Seterusnya: menjadikan eksperimen boleh diulang semula.

Percuma untuk bermula

Pelajari Python dengan tutor kecerdasan buatan — percuma

Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.

Kursus: 53
Pelajaran: 225

Mula belajar secara percuma Lihat kursus penuh

Soalan Lazim

Adakah pelajaran “Git untuk Projek Kecerdasan Buatan” percuma?

Ya — sebanyak 3 pelajaran dalam laluan pembelajaran Pelajari AI dengan Python, termasuk “Git untuk Projek Kecerdasan Buatan”, boleh dibaca sepenuhnya secara percuma di web ini. Selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan interaktif dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.

Apakah yang akan saya pelajari dalam “Git untuk Projek Kecerdasan Buatan”?

git init, .gitignore untuk data/model, melakukan commit pada notepad dan DVC untuk penversionan data. Anda berlatih Pelajari AI dengan Python menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.

Adakah saya memerlukan pengalaman untuk memulakan Pelajari AI dengan Python?

Tiada pengalaman terdahulu diperlukan. Pembelajaran Pelajari AI dengan Python di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 2 daripada 4.

Berapa lamakah pelajaran “Git untuk Projek Kecerdasan Buatan” diambil?

Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.

Bolehkah saya menulis dan menjalankan kod dalam pelajaran Pelajari AI dengan Python ini?

Ya. Setiap pelajaran Pelajari AI dengan Python menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.

Semua pelajaran dalam kursus ini

Struktur Direktori Projek Kecerdasan Buatan Profesional
Git untuk Projek Kecerdasan Buatan
Kebolehulangan: Seed, Konfigurasi dan Persekitaran
Amalan Terbaik Notepad Jupyter

← Kembali ke Pelajari AI dengan Python