บันทึกการตั้งค่าการรันทั้งหมด
บันทึกสภาพแวดล้อมและการตั้งค่า เพื่อให้ทำซ้ำการรันได้อย่างสมบูรณ์
บันทึกการตั้งค่าการรันทั้งหมด เป็นบทเรียน MLOps Academy ฟรีบน CoddyKit นี่คือบทเรียนที่ 4 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน MLOps Academy และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส MLOps Academy มีบทเรียนทั้งหมด 4 บทเรียน
การตรึงเวอร์ชันเป็นเพียงครึ่งเดียว
คุณตรึงแพ็กเกจและค่าเริ่มต้นแล้ว แต่การทำงานยังมีตัวปรับอย่างอัตราการเรียนรู้และขนาดชุดข้อมูลด้วย ต้องบันทึก การตั้งค่าการทำงานทั้งหมดด้วย 🗂️
หยุดฝังค่าไว้ในโค้ด
ตัวเลขที่ฝังอยู่ในโค้ดจะมองไม่เห็นในภายหลัง ย้ายตัวปรับค่าทั้งหมดมาไว้ใน การตั้งค่า เดียวที่อ่านดูได้ทันที
ไฟล์การตั้งค่า YAML
config.yaml ขนาดเล็กจะเก็บไฮเปอร์พารามิเตอร์ไว้ในข้อความธรรมดาที่อ่านง่าย และอยู่ถัดจากโค้ดของคุณ
lr: 0.001
batch_size: 32
epochs: 10
seed: 42โหลดใน Python
อ่านไฟล์ครั้งเดียวเมื่อเริ่มต้นด้วย yaml.safe_load แล้วส่งค่าเหล่านั้นเข้าไปในโค้ดฝึกโมเดล
import yaml
cfg = yaml.safe_load(open('config.yaml'))บันทึกเวอร์ชันของโค้ด
การตั้งค่าเพียงอย่างเดียวไม่พอหากโค้ดเปลี่ยนไป บันทึก git commit ที่แน่นอน เพื่อให้ทราบว่าโค้ดใดสร้างการทำงานนั้น
git rev-parse HEADบันทึกสภาพแวดล้อม
บันทึกภาพสถานะจาก pip freeze พร้อมกับการทำงานแต่ละครั้ง เพื่อให้ทราบอย่างแม่นยำว่าติดตั้งไลบรารีเวอร์ชันใดไว้
pip freeze > run_env.txtบันทึกภาพเวอร์ชันข้อมูล
โค้ดเดียวกันเมื่อใช้ข้อมูลต่างกันย่อมให้โมเดลต่างกัน ดังนั้นให้บันทึก เวอร์ชันข้อมูลหรือค่าแฮชของข้อมูลที่ใช้ในการทำงานนี้
บันทึกการตั้งค่าลงใน MLflow
เครื่องมืออย่าง MLflow จะเก็บการตั้งค่าของคุณเป็น พารามิเตอร์ที่ค้นหาได้ และเชื่อมการตั้งค่าเข้ากับตัวชี้วัดของการทำงานโดยตรง
mlflow.log_params(cfg)แทนค่าจาก CLI
เครื่องมืออย่าง Hydra ช่วยให้คุณปรับค่าการตั้งค่าใด ๆ จากบรรทัดคำสั่งได้โดยไม่ต้องแก้ไขไฟล์เลย
python train.py lr=0.01 epochs=20รวมสิ่งสร้างขึ้นจากการทำงาน
เก็บการตั้งค่า สภาพแวดล้อม การบันทึก และค่าเริ่มต้นไว้ด้วยกันเป็น ระเบียนการทำงานเดียว ชุดข้อมูลนี้ทำให้คุณสร้างผลลัพธ์ขึ้นใหม่ได้
การทดสอบความสามารถในการสร้างซ้ำ
การทดสอบที่แท้จริงคือ ส่ง ระเบียนการทำงานให้เพื่อนร่วมทีม แล้วพวกเขาได้โมเดลเดียวกัน หากไม่ใช่ แสดงว่ามีบางอย่างไม่ได้ถูกบันทึก
ตรวจสอบอย่างรวดเร็ว
คุณบันทึกการตั้งค่าและค่าเริ่มต้นแล้ว แต่การทำงานใหม่ยังให้ผลต่างกัน สิ่งใดน่าจะขาดหายไปมากที่สุด
สรุปทบทวน
ตอนนี้คุณบันทึก การตั้งค่าการทำงานทั้งหมด ได้แก่ ไฮเปอร์พารามิเตอร์ git commit สภาพแวดล้อม เวอร์ชันข้อมูล และค่าเริ่มต้น เพื่อให้สร้างการทำงานใด ๆ ขึ้นใหม่ได้อย่างราบรื่น 📦
คำถามที่พบบ่อย
บทเรียน “บันทึกการตั้งค่าการรันทั้งหมด” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “บันทึกการตั้งค่าการรันทั้งหมด” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส MLOps Academy ให้อัปเกรดเป็น CoddyKit PRO คอร์ส MLOps Academy มีบทเรียนทั้งหมด 4 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “บันทึกการตั้งค่าการรันทั้งหมด”
บันทึกสภาพแวดล้อมและการตั้งค่า เพื่อให้ทำซ้ำการรันได้อย่างสมบูรณ์ คุณปฏิบัติ MLOps Academy ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน MLOps Academy หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน MLOps Academy บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 4 จากทั้งหมด 4 บทเรียน
บทเรียน “บันทึกการตั้งค่าการรันทั้งหมด” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน MLOps Academy นี้ได้ไหม
ได้ บทเรียน MLOps Academy ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- ตรึง Dependencies ด้วย requirements.txt
- แยกโปรเจกต์ด้วยสภาพแวดล้อมเสมือน
- กำหนดค่าเมล็ดสุ่มเพื่อให้รันซ้ำได้ผลเดิม
- บันทึกการตั้งค่าการรันทั้งหมด