ium_444417/README.md
s444417 e7ca24c10e
All checks were successful
s444417-training/pipeline/head This commit looks good
s444417-evaluation/pipeline/head This commit looks good
update readme
2022-05-15 17:46:05 +02:00

2.8 KiB

Projekt na przedmiot inżynieria oprogramowania

IUM_6 opis sposobu rozwiązania zadań i podpunktów

Aktualne wyniki zadania IUM_6 dostępne są:

Zadanie 1

  1. stworzono job s444417-training
  2. s444417-training uruchamia się automatycznie po zakończeniu joba s444417-create-dataset, plik Jenkinsfile, przy pomocy build job. Kopiuje zbiór danych przy pomocy copyArtifact w pliku Jenkinsfile3
  3. Jenkinsfile3 przy pomocy archiveArtifacts
  4. powiadomienia, Jenkinsfile3 przy pomocy post emailext
  5. parametr EPOCH_NUMBER zadekalarowany w Jenkinsfile3, oznaczaj ilość epok, wykorzystywany przy wołaniu skryptu uczącego

Zadanie 2

  1. stworzono job s444417-evaluation
  2. evaluacja modelu metodą evaluate zawołana na modelu w pliku trainScript.py.Zapisanie wyniku do pliku trainResults.csv, w Jenkinsfile.eval archiveArtifact
  3. Jenkinsfile.eval w stagu "Copy prev build artifact" kopiuje trainResults.csv a jeśli go nie ma to catch łapie error, skrypt trainScript.py też obsługuje brak takiego pliku, bo otwiera go w trybie "a+"
  4. skrypt trainScript.py tworzy plota z wczytanych wartości odczytanych z pliku trainResults.csv i zapisuje wkres do pliku metric.py
  5. projekt odpala się po zakończeniu trenowania jenkinsfile3 build job oraz kopiuje sobie model copyArtifacts z uwzględnieniem brancha master
  6. copyArtifacts z s444417-create-dataset
  7. parametr BRANCH do wyboru konkretnej gałęzi, buildselector do wybrania builda w Jenkins.eval
  8. powiadomenie mail wraz z metryką loss wysyłane w pliku Jenkinsfile.eval post emailext

IUM_8 opis sposobu rozwiązania zadań i podpunktów

Zadanie 1

  1. lab8/trainScript.py log_param: epoch i learning_rate i log_metric final_loss
  2. lab8/MLproject docker_env

Zadanie 2

  1. plik lab8/trainScript.py, używa MLflow, zawiera input_example,
  2. model z artifactów pobierany w lab8/Jenkinsfile.artifact, predykcja zrobiona skryptem lab8/predictArtifact.py, output predykcji konsola w projekcie
  3. zarejestronwany model np. http://tzietkiewicz.vm.wmi.amu.edu.pl/#/experiments/17/runs/811420769d2642b8be694693c75b3587/artifactPath/linear-model, model jest rejestrowany w pliku lab8/trainScript.py
  4. projekt predykcja realizowana skryptem lab8/predictMlflow.py i printowana w consoli builda,