working on lab8

lab8/Jenkinsfile_train

@@ -21,11 +21,9 @@ pipeline {
                     sh 'tar -czf lego_reg_model.tar.gz lego_reg_model/'
                     archiveArtifacts 'lego_reg_model.tar.gz'
                     echo 'Model archived'
-					echo 'Archiving Sacreds output repo...'
-					sh 'ls -lh runs/*/'
-					sh 'tar -czf sacred_runs.tar.gz runs/'
-                    archiveArtifacts 'sacred_runs.tar.gz'
-					echo 'Sacreds repo archived'
+                    echo 'Archiving the MLflow repo...'
+                    archiveArtifacts 'mlruns'
+                    echo 'MLflow repo archived'
 					echo 'Launching the s449288-evaluation job...'
 					build job: 's449288-evaluation/master/'
 				}

lab8/MLproject

@@ -1 +1,14 @@
+name lego_sets
 
+docker_env:
+    image: s449288/ium:lab8
+    
+entry_points:
+    main:
+        parameters:
+            epochs: {type: float, default: 100}
+            units: {type: float, default: 1}
+            learning_rate: {type: float, default: 0.1}
+        command: python3 simple_regression_lab8.py {epochs} {units} {learning_rate}
+    test:
+        command: python3 evaluate.py

lab8/simple_regression_lab8.py

@@ -4,38 +4,23 @@ from keras.models import save_model
 import pandas as pd
 import numpy as np
 import matplotlib.pyplot as plt
-from sacred import Experiment
-from sacred.observers import FileStorageObserver
-from sacred.observers import MongoObserver
 import mlflow
 import mlflow.keras
 from urllib.parse import urlparse
+import sys
+
+
+def train():
+
+    # Definicja wartości parametrów treningu
+    epochs = int(sys.argv[1]) if len(sys.argv) > 1 else 100
+    units = int(sys.argv[2]) if len(sys.argv) > 2 else 1
+    learning_rate = float(sys.argv[3]) if len(sys.argv) > 3 else 0.1
 
     # Konfiguracja serwera i nazwy eksperymentu MLflow
-#mlflow.set_tracking_uri('http://tzietkiewicz.vm.wmi.amu.edu.pl:5000')
+    # mlflow.set_tracking_uri("http://172.17.0.1:5000")
     mlflow.set_experiment('s449288')
 
-# Stworzenie obiektu klasy Experiment do śledzenia przebiegu regresji narzędziem Sacred
-ex = Experiment(save_git_info=False)
-
-# Dodanie obserwatora FileObserver
-ex.observers.append(FileStorageObserver('runs'))
-
-#Dodanie obserwatora Mongo
-ex.observers.append(MongoObserver(url='mongodb://admin:IUM_2021@172.17.0.1:27017', db_name='sacred'))
-
-# Przykładowa modyfikowalna z Sacred konfiguracja wybranych parametrów treningu
-@ex.config
-def config():
-    epochs = 100
-    units = 1
-    learning_rate = 0.1
-
-
-# Reszta kodu wrzucona do udekorowanej funkcji train do wywołania przez Sacred, żeby coś było capture'owane
-@ex.capture
-def train(epochs, units, learning_rate, _run):
-
     # Podpięcie treningu do MLflow
     with mlflow.start_run() as run:
         print('MLflow run experiment_id: {0}'.format(run.info.experiment_id))
@@ -81,17 +66,12 @@ def train(epochs, units, learning_rate, _run):
 
         # Zapis predykcji do pliku
         results = pd.DataFrame(
-            {'test_set_piece_count': test_piece_counts.tolist(), 'predicted_price': [round(a[0], 2) for a in y_pred.tolist()]})
+            {'test_set_piece_count': test_piece_counts.tolist(),
+             'predicted_price': [round(a[0], 2) for a in y_pred.tolist()]})
         results.to_csv('lego_reg_results.csv', index=False, header=True)
 
-        # Zapis modelu do pliku standardowo poprzez metodę kerasa i poprzez metodę obiektu Experiment z Sacred
+        # Zapis modelu do pliku
         model.save('lego_reg_model')
-        ex.add_artifact('lego_reg_model/saved_model.pb')
-
-        # Przykładowo zwracamy loss ostatniej epoki w charakterze wyników, żeby było widoczne w plikach zapisanych przez obserwator
-        hist = pd.DataFrame(history.history)
-        hist['epoch'] = history.epoch
-        _run.log_scalar('final.training.loss', hist['loss'].iloc[-1])
 
         # Ewaluacja MAE na potrzeby MLflow (kopia z evaluate.py)
         mae = model.evaluate(
@@ -111,9 +91,8 @@ def train(epochs, units, learning_rate, _run):
             mlflow.keras.log_model(model, 'lego-model', registered_model_name='TFLegoModel',
                                    signature=signature)
         else:
-            mlflow.keras.log_model(model, 'model', signature=signature, input_example=500)
+            mlflow.keras.log_model(model, 'model', signature=signature, input_example=np.array(500))
 
 
-@ex.automain
-def main(epochs, units, learning_rate):
+if __name__ == '__main__':
     train()

simple_regression_lab8.py

@@ -4,38 +4,23 @@ from keras.models import save_model
 import pandas as pd
 import numpy as np
 import matplotlib.pyplot as plt
-from sacred import Experiment
-from sacred.observers import FileStorageObserver
-from sacred.observers import MongoObserver
 import mlflow
 import mlflow.keras
 from urllib.parse import urlparse
+import sys
+
+
+def train():
+
+    # Definicja wartości parametrów treningu
+    epochs = int(sys.argv[1]) if len(sys.argv) > 1 else 100
+    units = int(sys.argv[2]) if len(sys.argv) > 2 else 1
+    learning_rate = float(sys.argv[3]) if len(sys.argv) > 3 else 0.1
 
     # Konfiguracja serwera i nazwy eksperymentu MLflow
     # mlflow.set_tracking_uri("http://172.17.0.1:5000")
     mlflow.set_experiment('s449288')
 
-# Stworzenie obiektu klasy Experiment do śledzenia przebiegu regresji narzędziem Sacred
-ex = Experiment(save_git_info=False)
-
-# Dodanie obserwatora FileObserver
-ex.observers.append(FileStorageObserver('runs'))
-
-#Dodanie obserwatora Mongo
-ex.observers.append(MongoObserver(url='mongodb://admin:IUM_2021@172.17.0.1:27017', db_name='sacred'))
-
-# Przykładowa modyfikowalna z Sacred konfiguracja wybranych parametrów treningu
-@ex.config
-def config():
-    epochs = 100
-    units = 1
-    learning_rate = 0.1
-
-
-# Reszta kodu wrzucona do udekorowanej funkcji train do wywołania przez Sacred, żeby coś było capture'owane
-@ex.capture
-def train(epochs, units, learning_rate, _run):
-
     # Podpięcie treningu do MLflow
     with mlflow.start_run() as run:
         print('MLflow run experiment_id: {0}'.format(run.info.experiment_id))
@@ -81,17 +66,12 @@ def train(epochs, units, learning_rate, _run):
 
         # Zapis predykcji do pliku
         results = pd.DataFrame(
-            {'test_set_piece_count': test_piece_counts.tolist(), 'predicted_price': [round(a[0], 2) for a in y_pred.tolist()]})
+            {'test_set_piece_count': test_piece_counts.tolist(),
+             'predicted_price': [round(a[0], 2) for a in y_pred.tolist()]})
         results.to_csv('lego_reg_results.csv', index=False, header=True)
 
-        # Zapis modelu do pliku standardowo poprzez metodę kerasa i poprzez metodę obiektu Experiment z Sacred
+        # Zapis modelu do pliku
         model.save('lego_reg_model')
-        ex.add_artifact('lego_reg_model/saved_model.pb')
-
-        # Przykładowo zwracamy loss ostatniej epoki w charakterze wyników, żeby było widoczne w plikach zapisanych przez obserwator
-        hist = pd.DataFrame(history.history)
-        hist['epoch'] = history.epoch
-        _run.log_scalar('final.training.loss', hist['loss'].iloc[-1])
 
         # Ewaluacja MAE na potrzeby MLflow (kopia z evaluate.py)
         mae = model.evaluate(
@@ -114,6 +94,5 @@ def train(epochs, units, learning_rate, _run):
             mlflow.keras.log_model(model, 'model', signature=signature, input_example=np.array(500))
 
 
-@ex.automain
-def main(epochs, units, learning_rate):
+if __name__ == '__main__':
     train()