기계 학습 컨테이너 환경은 쉬워야 합니다.
이러한 시나리오가 익숙하게 보입니까? 기계 학습 개발 환경은 어떻게 되나요?
pip install torch
낮은 수준의 코드 종속성을 처리할 필요가 없다는 의미는 아닙니다. 환경을 다루는 것은 작업의 첫 번째 단계에 불과합니다. 쉬워야 하지만 결코 쉽지 않습니다. NumPy 설치 방법을 검색해야 했던 날보다 훨씬 쉽다는 것을 인정해야 하지만.
한편, 기계 학습 인프라 엔지니어의 관점에서:
인프라 엔지니어는 머신러닝 엔지니어의 적이 절대 아닙니다. 더 나은 도구는 모두를 행복하게 만들 수 있습니다.
요구 사항을 요약해 보겠습니다.
기계 학습 엔지니어는 원시 코드 대신 컨테이너 이미지를 제출해야 합니다. 모델 종속성에 대해 더 잘 알고 있기 때문입니다.
인프라 엔지니어는 기계 학습 엔지니어가 모범 사례에 따라 컨테이너 이미지를 구축할 수 있도록 더 나은 유틸리티를 유지 관리해야 합니다.
한편 기계 학습 엔지니어는 개발 경험을 희생하고 싶지 않습니다. 평소와 같이 Jupyter Notebook 및 VSCode를 사용할 수 있어야 합니다.
지금까지는 모든 것이 좋아 보입니다. 분명히 불가능한 일은 아닙니다.
새 도구를 소개하겠습니다: envd .
다음과 같은 기능을 제공합니다.
Dockerfile 대신 Python과 유사한 함수를 작성하고 팀 전체에서 공유
더 나은 캐시와 병렬 구축을 갖춘 bulidkit 기반
Jupyter Notebook 및 VSCode와 통합
구문은 다음과 같습니다.
def build():
base(os="ubuntu20.04", language="python")
install.cuda(version="11.6", cudnn="8")
install.python_packages(name=[
"torch"
])
명령
envd up
을 실행하면 격리된 컨테이너 환경에 있게 됩니다.팀원이 작성한 기능을 재사용하려면 다음과 같이 가져올 수 있습니다.
lib = include("https://github.com/tensorchord/envdlib")
lib.jupyter_lab(host_port=8888)
또한 훨씬 빠릅니다. 아래 벤치마크를 참조하십시오.
더 많은 기능이 제공됩니다! 언제든지 문제를 열거나 discord 커뮤니티에 가입하여 우리와 토론하십시오.
Reference
이 문제에 관하여(기계 학습 컨테이너 환경은 쉬워야 합니다.), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://dev.to/keming/machine-learning-container-environment-should-be-easy-1jn4텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)