IUM_07/Dockerfile

@@ -0,0 +1,8 @@
+FROM ubuntu:latest
+
+RUN apt update && apt install -y \
+	python3-pip \
+	python3
+
+RUN python3 -m pip install sacred pymongo
+

IUM_07/Jenkinsfile

@@ -0,0 +1,13 @@
+  node {
+      checkout scm
+      //Pierwszy argument to tag, który zostania nadany zbudowanemu obrazowi
+      //Jeśli chcemy użyć Dockerfile z innej ścieżki niż ./Dockerfile, możemy ją podać jako drugi argument
+      def testImage = docker.build("sacred_pymongo", "./IUM_07/Dockerfile") 
+
+      //Wszystkie polecenia poniżej wykonają się w kontenerze, z podmontowanym Workspace Jenkinsa
+      testImage.inside {
+        dir ("IUM_07"){
+		sh 'python3 mongo_observer.py'
+	}
+      }
+  }

IUM_07/mongo_observer.py

@@ -0,0 +1,37 @@
+from sacred.observers import MongoObserver
+from sacred import Experiment
+import random
+import time
+
+ex = Experiment("sacred_scopes", interactive=True)
+ex.observers.append(MongoObserver(url='mongodb://mongo_user:mongo_password@localhost:27017',
+                                  db_name='sacred'))  # Tutaj podajemy dane uwierzytelniające i nazwę bazy skonfigurowane w pliku .env podczas uruchamiania bazy.
+# W przypadku instancji na Jenkinsie url będzie wyglądał następująco: mongodb://mongo_user:mongo_password_IUM_2021@localhost:27017
+@ex.config
+def my_config():
+    recipient = "Świecie"
+    greeting = "Witaj"
+
+@ex.capture
+def prepare_message(recipient, greeting):
+    return "{0} {1}!".format(greeting, recipient)
+
+@ex.main
+def my_main(recipient, greeting, _run):
+    print(prepare_message()) ## Nie musimy przekazywać wartości  
+    counter = 0
+    while counter < 20:
+        counter+=1
+        value = counter
+        ms_to_wait = random.randint(5, 5000)
+        time.sleep(ms_to_wait/1000)
+        noise = 1.0 + 0.1 * (random.randint(0, 10) - 5)
+        # This will add an entry for training.loss metric in every second iteration.
+        # The resulting sequence of steps for training.loss will be 0, 2, 4, ...
+        if counter % 2 == 0:
+           _run.log_scalar("training.loss", value * 1.5 * noise, counter)
+        # Implicit step counter (0, 1, 2, 3, ...)
+        # incremented with each call for training.accuracy:
+        _run.log_scalar("training.accuracy", value * 2 * noise)
+
+ex.run()