En GitHub Actions-arbeidsflyt for ML

GitHub Actions kjører skriptene Deres på GitHub sine servere når noe skjer i repositoriet, for eksempel en push, slik at De aldri trenger å kjøre CI manuelt igjen. ⚙️

En arbeidsflyt er en YAML-fil i .github/workflows. GitHub leser den og følger instruksjonene Deres trinn for trinn ved hver utløser.

on-nøkkelen angir når arbeidsflyten skal kjøre. Her utløses den ved hver push, slik at hver commit automatisk starter ML-kontrollene Deres.

En arbeidsflyt inneholder én eller flere jobber. Hver jobb kjører på en ny virtuell maskin, slik at pipelinen alltid starter i en ren og forutsigbar tilstand.

Inne i en jobb kjører trinnene i rekkefølge fra øverst til nederst. Hvert trinn er enten en gjenbrukbar action eller en vanlig shell-kommando De skriver selv.

Det første trinnet bruker nesten alltid checkout-actionen til å kopiere repositoriet til runneren. Uten den har maskinen ingen kode å teste.

For et ML-repositorium setter De deretter opp Python og velger nøyaktig versjon, slik at runneren samsvarer med miljøet teamet trener i.

Deretter installerer De de låste pakkene, slik at runneren har de samme bibliotekene som brukes lokalt. Dette gjør hver CI-kjøring reproduserbar.

Legg nå til ML-kontrollene: først et lint-trinn som oppdager stilproblemer, og deretter pytest for å kjøre data- og modelltestene på den nye runneren.

Et siste trinn kan trene på et lite utvalg for å bekrefte at pipelinen fungerer fra ende til ende. Da holder De CI rask samtidig som ekte kode blir testet.

Push YAML-filen og åpne fanen Actions. GitHub viser en direktelogg for hvert trinn, med en grønn hake når ML-pipelinen består. ✅

En workflow-YAML i .github/workflows definerer utløsere, jobber og trinn i riktig rekkefølge. For ML henter De koden, setter opp Python, installerer avhengigheter og kjører deretter lint, tester og trening.