64 KiB
64 KiB
Inżynieria uczenia maszynowego
10. DVC [laboratoria]
Tomasz Ziętkiewicz (2021)
DVC - Data Version Control
- dvc.org
- "Version Control System for Machine Learning Projects" (System kontroli wersji dla projektów uczenia maszynowego)
- Open Source
- Umożliwia:
- wersjonowanie danych i modeli. "Git dla danych i modeli"
- budowanie potoków ("pipeline") definiujących jak budować/trenować/ewaluować modele. "Makefile dla uczenia maszynowego"
- śledzeniem, porównywanie metryk i parametrów
- ściśle zintegowany z gitem
- działa niezależnie od używanego języka/bibliotek i systemu operacyjnego
- 5-minutowe wprowadzenie: https://www.youtube.com/watch?v=UbL7VUpv1Bs&t=197s
Instalacja i inicjalizacja
- https://dvc.org/doc/install
pip(x) install dvcalbo:conda install dvc
conda install dvcCollecting package metadata (current_repodata.json): done
Solving environment: failed with initial frozen solve. Retrying with flexible solve.
Solving environment: failed with repodata from current_repodata.json, will retry with next repodata source.
Collecting package metadata (repodata.json): done
Solving environment: done
## Package Plan ##
environment location: /home/tomek/miniconda3
added / updated specs:
- dvc
The following packages will be downloaded:
package | build
---------------------------|-----------------
atpublic-1.0 | py_0 7 KB conda-forge
bzip2-1.0.8 | h7f98852_4 484 KB conda-forge
cached-property-1.5.2 | hd8ed1ab_1 4 KB conda-forge
cached_property-1.5.2 | pyha770c72_1 11 KB conda-forge
colorama-0.4.4 | pyh9f0ad1d_0 18 KB conda-forge
commonmark-0.9.1 | py_0 46 KB conda-forge
configobj-5.0.6 | py_0 31 KB conda-forge
dictdiffer-0.8.1 | pyhd8ed1ab_0 16 KB conda-forge
diskcache-5.2.1 | pyh44b312d_0 36 KB conda-forge
distro-1.5.0 | pyh9f0ad1d_0 20 KB conda-forge
dpath-2.0.1 | py39hf3d152e_0 23 KB conda-forge
dulwich-0.20.23 | py39h3811e60_0 721 KB conda-forge
dvc-2.1.0 | py39hf3d152e_0 551 KB conda-forge
flatten-dict-0.3.0 | pyh9f0ad1d_0 11 KB conda-forge
flufl.lock-3.2 | py_0 19 KB conda-forge
fsspec-0.9.0 | pyhd8ed1ab_2 75 KB conda-forge
ftfy-5.5.1 | py_0 47 KB conda-forge
funcy-1.16 | pyhd8ed1ab_0 30 KB conda-forge
future-0.18.2 | py39hf3d152e_3 718 KB conda-forge
grandalf-0.6 | py_0 42 KB conda-forge
jsonpath-ng-1.5.2 | pyh9f0ad1d_0 26 KB conda-forge
libgit2-1.1.0 | h0b03e73_0 693 KB conda-forge
libssh2-1.9.0 | ha56f1ee_6 226 KB conda-forge
mailchecker-4.0.7 | pyhd8ed1ab_0 206 KB conda-forge
nanotime-0.5.2 | py_0 6 KB conda-forge
networkx-2.5 | py_0 1.2 MB conda-forge
pathlib2-2.3.5 | py39hf3d152e_3 35 KB conda-forge
pathspec-0.8.1 | pyhd3deb0d_0 29 KB conda-forge
pcre2-10.35 | h032f7d1_2 693 KB conda-forge
phonenumbers-8.10.14 | py_0 1.5 MB conda-forge
ply-3.11 | py_1 44 KB conda-forge
pyasn1-0.4.8 | py_0 53 KB conda-forge
pydot-1.2.4 | py_0 20 KB conda-forge
pygit2-1.5.0 | py39h3811e60_0 213 KB conda-forge
pygtrie-2.3.2 | pyh8c360ce_0 24 KB conda-forge
python-benedict-0.24.0 | pyhd8ed1ab_0 30 KB conda-forge
python-fsutil-0.5.0 | pyhd8ed1ab_0 13 KB conda-forge
python-slugify-5.0.2 | pyhd8ed1ab_0 12 KB conda-forge
rich-10.2.2 | py39hf3d152e_0 337 KB conda-forge
ruamel.yaml-0.17.4 | py39h3811e60_0 160 KB conda-forge
ruamel.yaml.clib-0.2.2 | py39h3811e60_2 173 KB conda-forge
shortuuid-1.0.1 | py39hf3d152e_4 15 KB conda-forge
shtab-1.3.6 | pyhd8ed1ab_0 15 KB conda-forge
text-unidecode-1.3 | py_0 68 KB conda-forge
toml-0.10.2 | pyhd8ed1ab_0 18 KB conda-forge
unidecode-1.2.0 | pyhd8ed1ab_0 155 KB conda-forge
voluptuous-0.12.1 | pyhd3deb0d_0 28 KB conda-forge
zc.lockfile-2.0 | py_0 11 KB conda-forge
------------------------------------------------------------
Total: 8.8 MB
The following NEW packages will be INSTALLED:
_openmp_mutex conda-forge/linux-64::_openmp_mutex-4.5-1_gnu
appdirs conda-forge/noarch::appdirs-1.4.4-pyh9f0ad1d_0
atpublic conda-forge/noarch::atpublic-1.0-py_0
bzip2 conda-forge/linux-64::bzip2-1.0.8-h7f98852_4
cached-property conda-forge/noarch::cached-property-1.5.2-hd8ed1ab_1
cached_property conda-forge/noarch::cached_property-1.5.2-pyha770c72_1
colorama conda-forge/noarch::colorama-0.4.4-pyh9f0ad1d_0
commonmark conda-forge/noarch::commonmark-0.9.1-py_0
configobj conda-forge/noarch::configobj-5.0.6-py_0
dictdiffer conda-forge/noarch::dictdiffer-0.8.1-pyhd8ed1ab_0
diskcache conda-forge/noarch::diskcache-5.2.1-pyh44b312d_0
distro conda-forge/noarch::distro-1.5.0-pyh9f0ad1d_0
dpath conda-forge/linux-64::dpath-2.0.1-py39hf3d152e_0
dulwich conda-forge/linux-64::dulwich-0.20.23-py39h3811e60_0
dvc conda-forge/linux-64::dvc-2.1.0-py39hf3d152e_0
flatten-dict conda-forge/noarch::flatten-dict-0.3.0-pyh9f0ad1d_0
flufl.lock conda-forge/noarch::flufl.lock-3.2-py_0
fsspec conda-forge/noarch::fsspec-0.9.0-pyhd8ed1ab_2
ftfy conda-forge/noarch::ftfy-5.5.1-py_0
funcy conda-forge/noarch::funcy-1.16-pyhd8ed1ab_0
future conda-forge/linux-64::future-0.18.2-py39hf3d152e_3
gitdb conda-forge/noarch::gitdb-4.0.7-pyhd8ed1ab_0
gitpython conda-forge/noarch::gitpython-3.1.17-pyhd8ed1ab_0
grandalf conda-forge/noarch::grandalf-0.6-py_0
jsonpath-ng conda-forge/noarch::jsonpath-ng-1.5.2-pyh9f0ad1d_0
libgit2 conda-forge/linux-64::libgit2-1.1.0-h0b03e73_0
libgomp conda-forge/linux-64::libgomp-9.3.0-h2828fa1_19
libssh2 conda-forge/linux-64::libssh2-1.9.0-ha56f1ee_6
mailchecker conda-forge/noarch::mailchecker-4.0.7-pyhd8ed1ab_0
nanotime conda-forge/noarch::nanotime-0.5.2-py_0
networkx conda-forge/noarch::networkx-2.5-py_0
pathlib2 conda-forge/linux-64::pathlib2-2.3.5-py39hf3d152e_3
pathspec conda-forge/noarch::pathspec-0.8.1-pyhd3deb0d_0
pcre2 conda-forge/linux-64::pcre2-10.35-h032f7d1_2
phonenumbers conda-forge/noarch::phonenumbers-8.10.14-py_0
pip conda-forge/noarch::pip-21.1.2-pyhd8ed1ab_0
ply conda-forge/noarch::ply-3.11-py_1
pyasn1 conda-forge/noarch::pyasn1-0.4.8-py_0
pydot conda-forge/noarch::pydot-1.2.4-py_0
pygit2 conda-forge/linux-64::pygit2-1.5.0-py39h3811e60_0
pygtrie conda-forge/noarch::pygtrie-2.3.2-pyh8c360ce_0
python-benedict conda-forge/noarch::python-benedict-0.24.0-pyhd8ed1ab_0
python-fsutil conda-forge/noarch::python-fsutil-0.5.0-pyhd8ed1ab_0
python-slugify conda-forge/noarch::python-slugify-5.0.2-pyhd8ed1ab_0
rich conda-forge/linux-64::rich-10.2.2-py39hf3d152e_0
ruamel.yaml conda-forge/linux-64::ruamel.yaml-0.17.4-py39h3811e60_0
ruamel.yaml.clib conda-forge/linux-64::ruamel.yaml.clib-0.2.2-py39h3811e60_2
shortuuid conda-forge/linux-64::shortuuid-1.0.1-py39hf3d152e_4
shtab conda-forge/noarch::shtab-1.3.6-pyhd8ed1ab_0
smmap conda-forge/noarch::smmap-3.0.5-pyh44b312d_0
tabulate conda-forge/noarch::tabulate-0.8.9-pyhd8ed1ab_0
text-unidecode conda-forge/noarch::text-unidecode-1.3-py_0
toml conda-forge/noarch::toml-0.10.2-pyhd8ed1ab_0
typing_extensions conda-forge/noarch::typing_extensions-3.7.4.3-py_0
unidecode conda-forge/noarch::unidecode-1.2.0-pyhd8ed1ab_0
voluptuous conda-forge/noarch::voluptuous-0.12.1-pyhd3deb0d_0
wheel conda-forge/noarch::wheel-0.36.2-pyhd3deb0d_0
zc.lockfile conda-forge/noarch::zc.lockfile-2.0-py_0
The following packages will be UPDATED:
certifi pkgs/main::certifi-2020.12.5-py39h06a~ --> conda-forge::certifi-2020.12.5-py39hf3d152e_1
libgcc-ng pkgs/main::libgcc-ng-9.1.0-hdf63c60_0 --> conda-forge::libgcc-ng-9.3.0-h2828fa1_19
The following packages will be SUPERSEDED by a higher-priority channel:
_libgcc_mutex pkgs/main::_libgcc_mutex-0.1-main --> conda-forge::_libgcc_mutex-0.1-conda_forge
ca-certificates pkgs/main::ca-certificates-2021.4.13-~ --> conda-forge::ca-certificates-2020.12.5-ha878542_0
conda pkgs/main::conda-4.10.1-py39h06a4308_1 --> conda-forge::conda-4.10.1-py39hf3d152e_0
openssl pkgs/main::openssl-1.1.1k-h27cfd23_0 --> conda-forge::openssl-1.1.1k-h7f98852_0
Downloading and Extracting Packages
diskcache-5.2.1 | 36 KB | ##################################### | 100%
pathspec-0.8.1 | 29 KB | ##################################### | 100%
cached-property-1.5. | 4 KB | ##################################### | 100%
networkx-2.5 | 1.2 MB | ##################################### | 100%
commonmark-0.9.1 | 46 KB | ##################################### | 100%
configobj-5.0.6 | 31 KB | ##################################### | 100%
python-fsutil-0.5.0 | 13 KB | ##################################### | 100%
fsspec-0.9.0 | 75 KB | ##################################### | 100%
dulwich-0.20.23 | 721 KB | ##################################### | 100%
funcy-1.16 | 30 KB | ##################################### | 100%
bzip2-1.0.8 | 484 KB | ##################################### | 100%
ply-3.11 | 44 KB | ##################################### | 100%
libgit2-1.1.0 | 693 KB | ##################################### | 100%
ftfy-5.5.1 | 47 KB | ##################################### | 100%
nanotime-0.5.2 | 6 KB | ##################################### | 100%
pyasn1-0.4.8 | 53 KB | ##################################### | 100%
unidecode-1.2.0 | 155 KB | ##################################### | 100%
dvc-2.1.0 | 551 KB | ##################################### | 100%
pydot-1.2.4 | 20 KB | ##################################### | 100%
zc.lockfile-2.0 | 11 KB | ##################################### | 100%
dpath-2.0.1 | 23 KB | ##################################### | 100%
pcre2-10.35 | 693 KB | ##################################### | 100%
ruamel.yaml-0.17.4 | 160 KB | ##################################### | 100%
flatten-dict-0.3.0 | 11 KB | ##################################### | 100%
python-slugify-5.0.2 | 12 KB | ##################################### | 100%
shortuuid-1.0.1 | 15 KB | ##################################### | 100%
text-unidecode-1.3 | 68 KB | ##################################### | 100%
cached_property-1.5. | 11 KB | ##################################### | 100%
colorama-0.4.4 | 18 KB | ##################################### | 100%
flufl.lock-3.2 | 19 KB | ##################################### | 100%
libssh2-1.9.0 | 226 KB | ##################################### | 100%
python-benedict-0.24 | 30 KB | ##################################### | 100%
distro-1.5.0 | 20 KB | ##################################### | 100%
grandalf-0.6 | 42 KB | ##################################### | 100%
future-0.18.2 | 718 KB | ##################################### | 100%
ruamel.yaml.clib-0.2 | 173 KB | ##################################### | 100%
rich-10.2.2 | 337 KB | ##################################### | 100%
shtab-1.3.6 | 15 KB | ##################################### | 100%
pygtrie-2.3.2 | 24 KB | ##################################### | 100%
mailchecker-4.0.7 | 206 KB | ##################################### | 100%
voluptuous-0.12.1 | 28 KB | ##################################### | 100%
atpublic-1.0 | 7 KB | ##################################### | 100%
phonenumbers-8.10.14 | 1.5 MB | ##################################### | 100%
pathlib2-2.3.5 | 35 KB | ##################################### | 100%
pygit2-1.5.0 | 213 KB | ##################################### | 100%
dictdiffer-0.8.1 | 16 KB | ##################################### | 100%
toml-0.10.2 | 18 KB | ##################################### | 100%
jsonpath-ng-1.5.2 | 26 KB | ##################################### | 100%
Preparing transaction: done
Verifying transaction: done
Executing transaction: done
Note: you may need to restart the kernel to use updated packages.
Stwórzmy katalog, w którym będziemy przechowywać nasz projekt:
!mkdir -p IUM_10/sample-ml-project#Jupyter notebook magic https://ipython.readthedocs.io/en/stable/interactive/magics.html#magic-cd
%cd "IUM_10/sample-ml-project"/home/tomek/AITech/repo/aitech-ium-private/IUM_10/sample-ml-project
Inicjalizujemy puste repozytorium Git (możemy też pominąć ten krok i działać w istniejącym już repozytorium)
!git initInitialized empty Git repository in /home/tomek/AITech/repo/aitech-ium-private/IUM_10/sample-ml-project/.git/
Teraz inicjalizujemy repozytorium DVC:
!dvc initInitialized DVC repository. You can now commit the changes to git. [31m+---------------------------------------------------------------------+ [0m[31m|[0m [31m|[0m [31m|[0m DVC has enabled anonymous aggregate usage analytics. [31m|[0m [31m|[0m Read the analytics documentation (and how to opt-out) here: [31m|[0m [31m|[0m <[36mhttps://dvc.org/doc/user-guide/analytics[39m> [31m|[0m [31m|[0m [31m|[0m [31m+---------------------------------------------------------------------+ [0m [33mWhat's next?[39m [33m------------[39m - Check out the documentation: <[36mhttps://dvc.org/doc[39m> - Get help and share ideas: <[36mhttps://dvc.org/chat[39m> - Star us on GitHub: <[36mhttps://github.com/iterative/dvc[39m> [0m
Zobaczmy jakie pliki dodał (również do repozytorium git) DVC. Ich opis znajdziemy tutaj: https://dvc.org/doc/user-guide/project-structure/internal-files
!git statusOn branch master No commits yet Changes to be committed: (use "git rm --cached <file>..." to unstage) [32mnew file: .dvc/.gitignore[m [32mnew file: .dvc/config[m [32mnew file: .dvc/plots/confusion.json[m [32mnew file: .dvc/plots/confusion_normalized.json[m [32mnew file: .dvc/plots/default.json[m [32mnew file: .dvc/plots/linear.json[m [32mnew file: .dvc/plots/scatter.json[m [32mnew file: .dvc/plots/smooth.json[m [32mnew file: .dvcignore[m
Możemy teraz zacommitować zmiany w git:
!git commit -m "Initial commit"On branch master nothing to commit, working tree clean
Śledzenie plików za pomocą DVC
- dużymi plikami, takimi jak plikami z danymi wejściowymi czy plikami modeli, trudno zarządza się za pomocą gita, ze względu na problemy z:
- wydajnością
- przestrzenią w repozytorium
- Git posiada rozszerzenie lfs(Large File Storage), które stanowi pewne rozwiązanie tego problemu. Same pliki przechowywane są na specjalnym zdalnym serwerze, w repozytorium przechowywane są jedynie odnośniki do tych plików i pewne metadane
- DVC proponuje podobne podejście, ale:
- pliki mogą być przechowywane na niemal dowolnym serwerze, również lokalnie
- brak limitu wielkości plików (w Git-LFS najczęściej limit 2GB)
- DVC zapewnia dodatkowe narzędzie umożliwiające śledzenie plików i ich powiązań z wynikami eksperymentów
- więcej, patrz tutaj
Przygotujmy przykładowe dane, pobierając je z Kaggle:
!kaggle datasets download -d uciml/iris
!unzip -o iris.zip
!rm database.sqlite iris.zip
!mkdir -p data
!mv Iris.csv data/Downloading iris.zip to /home/tomek/AITech/repo/aitech-ium-private/IUM_10/sample-ml-project 0%| | 0.00/3.60k [00:00<?, ?B/s] 100%|██████████████████████████████████████| 3.60k/3.60k [00:00<00:00, 2.63MB/s] Archive: iris.zip inflating: Iris.csv inflating: database.sqlite
Teraz dodamy plik(i) z danymi do DVC:
!dvc add data/Iris.csvAdding... ![A 0%| |.E8dZEGBYoRayYsJLdesNS4.tmp 0.00/5.11k [00:00<?, ?it/s][A 100% Add|██████████████████████████████████████████████|1/1 [00:04, 4.71s/file][A To track the changes with git, run: git add data/Iris.csv.dvc data/.gitignore [0m
- DVC utworzył plik
data/Iris.csv.dvci dadał oryginalny plik do.gitignore - W repozytorium będzie obecny tylko plik
*.dvc, zawierający odnośnik do prawdziwego pliku
!git status -uOn branch master Untracked files: (use "git add <file>..." to include in what will be committed) [31mdata/.gitignore[m [31mdata/Iris.csv.dvc[m [31miris.zip[m nothing added to commit but untracked files present (use "git add" to track)
Dodajmy pliki data/Iris.csv.dvc data/.gitignore do repozytorium git, zgodnie z sugestią DVC:
!git add data/Iris.csv.dvc data/.gitignore!git commit -m "Dodano dane IRIS (DVC)"[master cc0821a] Dodano dane IRIS (DVC) 2 files changed, 5 insertions(+) create mode 100644 data/.gitignore create mode 100644 data/Iris.csv.dvc
Plik *.dvc zawiera m.in. hash pliku. Więcej o plikach *.dvc: link
# %load data/Iris.csv.dvc
outs:
- md5: 717820ef0af287ff346c5cabfb4c612c
size: 5107
path: Iris.csv
Oryginalny plik Iris.csv został przeniesiony do katalogu ./dvc/cache/{wartość hash pliku) i podlinkowany z powrotem do oryginalnej lokalizacji. Sposób tworzenia linków może być różny w zależności od systemu plików.
!ls -l .dvc/cache/71total 8 -r--r--r-- 1 tomek tomek 5107 wrz 19 2019 7820ef0af287ff346c5cabfb4c612c
dvc remote
- żeby wysłać właściwe pliki śledzone przez DVC do zdalnej lokalizacji (z której będą mogłby być pobrane np. przez system CI albo innych użytkowników) musimy mieć skonfigurowaną taką lokazliację
- służy do tego polecenie
dvc remote add - użyjemy lokalnego "remote". Tutaj będzie to po prostu utworzony wcześniej katalog
/dvcstore. Taki katalog istnieje też na naszym Jenkinsie, oczywiście należy go podmontować w Dockerze - w realnych zastosowaniach podalibyśmy tutaj ścieżkę do jakiegoś zasobu dostępnego przez inernet jak np. serwer SFTP, ścieżka do AWS S3 itp.
!dvc remote add -d my_local_remote /dvcstoreSetting 'my_local_remote' as a default remote.
[0m!git statusOn branch master Changes not staged for commit: (use "git add <file>..." to update what will be committed) (use "git restore <file>..." to discard changes in working directory) [31mmodified: .dvc/config[m no changes added to commit (use "git add" and/or "git commit -a")
!git add .dvc/config
!git commit -m "Added DVC remote"[master 3ff62b6] Added DVC remote 1 file changed, 4 insertions(+)
dvc push
Kiedy mamy już skonfigurowany "remote" możemy wypchnąć do niego pliki korzystając z polecenia dvc push:
!dvc push!tree /dvcstore[34;42m/dvcstore[00m └── [01;34m71[00m └── 7820ef0af287ff346c5cabfb4c612c 1 directory, 1 file
dvc pull
Żeby pobrać dane z DVC (np. w innej lokalizacji, przez innego użytkownika), musimy:
- sklonować repozytorium git (żeby m.in. pobrać pliki
*.dvc - wykonać
dvc pull
Dodawanie nowych plików i modyfikacja istniejących wygląda tak podobnie jak przy zwykłych plikach śledzonych przez git, tylko zamiast git używamy polecenia dvc a dodatkowo pamiętamy o zarządzaniu plikami *.dvc za pomocą gita:
!head -n -1 data/Iris.csv | sponge data/Iris.csv!git statusOn branch master nothing to commit, working tree clean
!dvc statusdata/Iris.csv.dvc: core[39m> changed outs: modified: data/Iris.csv [0m
!dvc add data/Iris.csvAdding... ![A 0%| |.TatTHknArFHCT9iDCtxHzh.tmp 0.00/5.07k [00:00<?, ?it/s][A 100% Add|██████████████████████████████████████████████|1/1 [00:00, 2.68file/s][A To track the changes with git, run: git add data/Iris.csv.dvc [0m
!git add data/Iris.csv.dvc
!git commit -m "Removed last line from Iris dataset"
[master e38c244] Removed last line from Iris dataset 1 file changed, 2 insertions(+), 2 deletions(-)
dvc checkout
- Polecenia
dvc checkoutużywamy razem zgit checkout, żeby zmienić branch, na którym pracujemy. - DVC podmieni wersje plików śledzonych przez siebie na pochodzące z innego brancha (o ile pliki te się różnią i różnią się pliki
*.dvcw odpowiednich branchach - zmiana brancha przez git powoduje (ewentualną) zmianę plików
*.dvcadvc checkoutkopiuje/linkuje pliki z katalogu.dvc/cacheo wartościach hash odpowiadających tym z plików*.dvc
Wymiana danych między projektami
- za pomocą poleceń
dvc importidvc updatemożemy dodać i później aktualizować pliki śledzone przez DVC w innym repozytorium
!dvc import https://github.com/iterative/dataset-registry \
get-started/data.xml -o data/data.xmlImporting 'get-started/data.xml (https://github.com/iterative/dataset-registry)' -> 'data/data.xml' 0% Downloading| |0/1 [00:00<?, ?file/s] ![A 0%| |get-started/data.xml 0.00/37.9M [00:00<?, ?it/s][A 0%| |get-started/data.xml 64.0k/36.1M [00:00<02:12, 286kB/s][A 0%| |get-started/data.xml 128k/36.1M [00:00<01:33, 403kB/s][A 1%| |get-started/data.xml 256k/36.1M [00:00<00:57, 658kB/s][A 1%| |get-started/data.xml 384k/36.1M [00:00<00:45, 818kB/s][A 1%|▏ |get-started/data.xml 512k/36.1M [00:00<00:53, 693kB/s][A 2%|▏ |get-started/data.xml 640k/36.1M [00:01<00:57, 644kB/s][A 2%|▏ |get-started/data.xml 768k/36.1M [00:01<00:59, 619kB/s][A 2%|▏ |get-started/data.xml 896k/36.1M [00:01<00:51, 718kB/s][A 3%|▎ |get-started/data.xml 1.00M/36.1M [00:01<00:55, 666kB/s][A 3%|▎ |get-started/data.xml 1.12M/36.1M [00:01<00:57, 633kB/s][A 3%|▎ |get-started/data.xml 1.25M/36.1M [00:02<00:57, 638kB/s][A 4%|▍ |get-started/data.xml 1.38M/36.1M [00:02<00:52, 698kB/s][A 4%|▍ |get-started/data.xml 1.50M/36.1M [00:02<00:55, 656kB/s][A 4%|▍ |get-started/data.xml 1.62M/36.1M [00:02<00:57, 628kB/s][A 5%|▍ |get-started/data.xml 1.69M/36.1M [00:02<00:58, 618kB/s][A 5%|▌ |get-started/data.xml 1.81M/36.1M [00:02<00:53, 675kB/s][A 5%|▌ |get-started/data.xml 1.94M/36.1M [00:03<00:53, 672kB/s][A 6%|▌ |get-started/data.xml 2.06M/36.1M [00:03<00:55, 642kB/s][A 6%|▌ |get-started/data.xml 2.12M/36.1M [00:03<00:56, 628kB/s][A 6%|▌ |get-started/data.xml 2.19M/36.1M [00:03<00:57, 616kB/s][A 6%|▌ |get-started/data.xml 2.25M/36.1M [00:03<00:58, 606kB/s][A 7%|▋ |get-started/data.xml 2.38M/36.1M [00:03<00:48, 732kB/s][A 7%|▋ |get-started/data.xml 2.50M/36.1M [00:04<00:52, 666kB/s][A 7%|▋ |get-started/data.xml 2.62M/36.1M [00:04<00:55, 636kB/s][A 8%|▊ |get-started/data.xml 2.75M/36.1M [00:04<00:56, 614kB/s][A 8%|▊ |get-started/data.xml 2.88M/36.1M [00:04<00:49, 711kB/s][A 8%|▊ |get-started/data.xml 3.00M/36.1M [00:04<00:52, 663kB/s][A 9%|▊ |get-started/data.xml 3.12M/36.1M [00:05<00:54, 637kB/s][A 9%|▉ |get-started/data.xml 3.25M/36.1M [00:05<00:55, 623kB/s][A 9%|▉ |get-started/data.xml 3.38M/36.1M [00:05<00:48, 710kB/s][A 10%|▉ |get-started/data.xml 3.50M/36.1M [00:05<00:51, 664kB/s][A 10%|█ |get-started/data.xml 3.62M/36.1M [00:05<00:45, 751kB/s][A 10%|█ |get-started/data.xml 3.75M/36.1M [00:05<00:49, 691kB/s][A 11%|█ |get-started/data.xml 3.88M/36.1M [00:06<00:43, 777kB/s][A 11%|█ |get-started/data.xml 4.00M/36.1M [00:06<00:47, 705kB/s][A 11%|█▏ |get-started/data.xml 4.12M/36.1M [00:06<00:42, 790kB/s][A 12%|█▏ |get-started/data.xml 4.25M/36.1M [00:06<00:46, 716kB/s][A 12%|█▏ |get-started/data.xml 4.38M/36.1M [00:06<00:44, 749kB/s][A 12%|█▏ |get-started/data.xml 4.50M/36.1M [00:07<00:45, 734kB/s][A 13%|█▎ |get-started/data.xml 4.62M/36.1M [00:07<00:40, 810kB/s][A 13%|█▎ |get-started/data.xml 4.75M/36.1M [00:07<00:42, 773kB/s][A 13%|█▎ |get-started/data.xml 4.88M/36.1M [00:07<00:41, 795kB/s][A 14%|█▍ |get-started/data.xml 5.00M/36.1M [00:07<00:37, 870kB/s][A 14%|█▍ |get-started/data.xml 5.12M/36.1M [00:07<00:34, 932kB/s][A 15%|█▍ |get-started/data.xml 5.25M/36.1M [00:07<00:35, 916kB/s][A 15%|█▍ |get-started/data.xml 5.38M/36.1M [00:08<00:35, 898kB/s][A 15%|█▌ |get-started/data.xml 5.50M/36.1M [00:08<00:33, 962kB/s][A 16%|█▌ |get-started/data.xml 5.62M/36.1M [00:08<00:33, 949kB/s][A 16%|█▌ |get-started/data.xml 5.75M/36.1M [00:08<00:31, 1.00MB/s][A 16%|█▋ |get-started/data.xml 5.88M/36.1M [00:08<00:30, 1.04MB/s][A 17%|█▋ |get-started/data.xml 6.06M/36.1M [00:08<00:26, 1.19MB/s][A 17%|█▋ |get-started/data.xml 6.19M/36.1M [00:08<00:26, 1.19MB/s][A 17%|█▋ |get-started/data.xml 6.31M/36.1M [00:08<00:26, 1.19MB/s][A 18%|█▊ |get-started/data.xml 6.50M/36.1M [00:08<00:23, 1.31MB/s][A 18%|█▊ |get-started/data.xml 6.62M/36.1M [00:09<00:23, 1.30MB/s][A 19%|█▉ |get-started/data.xml 6.81M/36.1M [00:09<00:21, 1.41MB/s][A 19%|█▉ |get-started/data.xml 7.00M/36.1M [00:09<00:20, 1.48MB/s][A 20%|█▉ |get-started/data.xml 7.19M/36.1M [00:09<00:19, 1.54MB/s][A 20%|██ |get-started/data.xml 7.38M/36.1M [00:09<00:18, 1.60MB/s][A 21%|██ |get-started/data.xml 7.56M/36.1M [00:09<00:18, 1.62MB/s][A 21%|██▏ |get-started/data.xml 7.75M/36.1M [00:09<00:17, 1.68MB/s][A 22%|██▏ |get-started/data.xml 7.94M/36.1M [00:09<00:17, 1.70MB/s][A 22%|██▏ |get-started/data.xml 8.12M/36.1M [00:10<00:17, 1.72MB/s][A 23%|██▎ |get-started/data.xml 8.38M/36.1M [00:10<00:15, 1.88MB/s][A 24%|██▎ |get-started/data.xml 8.56M/36.1M [00:10<00:15, 1.84MB/s][A 24%|██▍ |get-started/data.xml 8.81M/36.1M [00:10<00:14, 1.96MB/s][A 25%|██▌ |get-started/data.xml 9.06M/36.1M [00:10<00:13, 2.06MB/s][A 26%|██▌ |get-started/data.xml 9.31M/36.1M [00:10<00:13, 2.14MB/s][A 27%|██▋ |get-started/data.xml 9.62M/36.1M [00:10<00:11, 2.32MB/s][A 27%|██▋ |get-started/data.xml 9.88M/36.1M [00:10<00:11, 2.33MB/s][A 28%|██▊ |get-started/data.xml 10.2M/36.1M [00:10<00:11, 2.46MB/s][A 29%|██▉ |get-started/data.xml 10.4M/36.1M [00:11<00:10, 2.45MB/s][A 30%|██▉ |get-started/data.xml 10.8M/36.1M [00:11<00:10, 2.57MB/s][A 31%|███ |get-started/data.xml 11.1M/36.1M [00:11<00:09, 2.67MB/s][A 32%|███▏ |get-started/data.xml 11.4M/36.1M [00:11<00:09, 2.84MB/s][A 33%|███▎ |get-started/data.xml 11.8M/36.1M [00:11<00:08, 2.85MB/s][A 34%|███▎ |get-started/data.xml 12.1M/36.1M [00:11<00:08, 3.01MB/s][A 35%|███▍ |get-started/data.xml 12.5M/36.1M [00:11<00:07, 3.12MB/s][A 36%|███▌ |get-started/data.xml 12.9M/36.1M [00:11<00:07, 3.22MB/s][A 37%|███▋ |get-started/data.xml 13.2M/36.1M [00:11<00:07, 3.31MB/s][A 38%|███▊ |get-started/data.xml 13.7M/36.1M [00:12<00:06, 3.49MB/s][A 39%|███▉ |get-started/data.xml 14.1M/36.1M [00:12<00:06, 3.62MB/s][A 40%|████ |get-started/data.xml 14.6M/36.1M [00:12<00:06, 3.74MB/s][A 42%|████▏ |get-started/data.xml 15.0M/36.1M [00:12<00:05, 3.82MB/s][A 43%|████▎ |get-started/data.xml 15.4M/36.1M [00:12<00:05, 3.97MB/s][A 44%|████▍ |get-started/data.xml 15.9M/36.1M [00:12<00:05, 4.08MB/s][A 45%|████▌ |get-started/data.xml 16.4M/36.1M [00:12<00:04, 4.23MB/s][A 47%|████▋ |get-started/data.xml 17.0M/36.1M [00:12<00:04, 4.44MB/s][A 48%|████▊ |get-started/data.xml 17.5M/36.1M [00:12<00:04, 4.52MB/s][A 50%|████▉ |get-started/data.xml 18.1M/36.1M [00:13<00:04, 4.69MB/s][A 52%|█████▏ |get-started/data.xml 18.6M/36.1M [00:13<00:03, 4.84MB/s][A 53%|█████▎ |get-started/data.xml 19.2M/36.1M [00:13<00:03, 5.05MB/s][A 55%|█████▍ |get-started/data.xml 19.8M/36.1M [00:13<00:03, 5.16MB/s][A 57%|█████▋ |get-started/data.xml 20.4M/36.1M [00:13<00:03, 5.35MB/s][A 58%|█████▊ |get-started/data.xml 21.1M/36.1M [00:13<00:02, 5.49MB/s][A 60%|██████ |get-started/data.xml 21.8M/36.1M [00:13<00:02, 5.66MB/s][A 62%|██████▏ |get-started/data.xml 22.4M/36.1M [00:13<00:02, 5.83MB/s][A 64%|██████▍ |get-started/data.xml 23.2M/36.1M [00:14<00:02, 6.05MB/s][A 66%|██████▌ |get-started/data.xml 23.9M/36.1M [00:14<00:02, 6.20MB/s][A 68%|██████▊ |get-started/data.xml 24.6M/36.1M [00:14<00:01, 6.40MB/s][A 70%|███████ |get-started/data.xml 25.4M/36.1M [00:14<00:01, 6.51MB/s][A 72%|███████▏ |get-started/data.xml 26.0M/36.1M [00:14<00:01, 5.75MB/s][A 74%|███████▎ |get-started/data.xml 26.6M/36.1M [00:14<00:02, 4.26MB/s][A 75%|███████▍ |get-started/data.xml 27.1M/36.1M [00:14<00:02, 3.53MB/s][A 76%|███████▌ |get-started/data.xml 27.5M/36.1M [00:15<00:02, 3.26MB/s][A 77%|███████▋ |get-started/data.xml 27.9M/36.1M [00:15<00:02, 3.00MB/s][A 78%|███████▊ |get-started/data.xml 28.2M/36.1M [00:15<00:02, 2.95MB/s][A 79%|███████▉ |get-started/data.xml 28.5M/36.1M [00:15<00:02, 2.91MB/s][A 80%|███████▉ |get-started/data.xml 28.8M/36.1M [00:15<00:02, 2.88MB/s][A 81%|████████ |get-started/data.xml 29.1M/36.1M [00:15<00:02, 2.86MB/s][A 81%|████████▏ |get-started/data.xml 29.4M/36.1M [00:15<00:02, 2.84MB/s][A 82%|████████▏ |get-started/data.xml 29.8M/36.1M [00:16<00:02, 2.83MB/s][A 83%|████████▎ |get-started/data.xml 30.1M/36.1M [00:16<00:02, 2.83MB/s][A 84%|████████▍ |get-started/data.xml 30.4M/36.1M [00:16<00:02, 2.83MB/s][A 85%|████████▍ |get-started/data.xml 30.7M/36.1M [00:16<00:02, 2.83MB/s][A 86%|████████▌ |get-started/data.xml 31.0M/36.1M [00:16<00:01, 2.83MB/s][A 87%|████████▋ |get-started/data.xml 31.3M/36.1M [00:16<00:01, 2.83MB/s][A 88%|████████▊ |get-started/data.xml 31.6M/36.1M [00:16<00:01, 2.83MB/s][A 88%|████████▊ |get-started/data.xml 31.9M/36.1M [00:16<00:01, 2.84MB/s][A 89%|████████▉ |get-started/data.xml 32.2M/36.1M [00:16<00:01, 2.85MB/s][A 90%|█████████ |get-started/data.xml 32.6M/36.1M [00:17<00:01, 2.85MB/s][A 91%|█████████ |get-started/data.xml 32.9M/36.1M [00:17<00:01, 2.86MB/s][A 92%|█████████▏|get-started/data.xml 33.2M/36.1M [00:17<00:01, 2.86MB/s][A 93%|█████████▎|get-started/data.xml 33.5M/36.1M [00:17<00:00, 2.87MB/s][A 94%|█████████▎|get-started/data.xml 33.8M/36.1M [00:17<00:00, 2.87MB/s][A 94%|█████████▍|get-started/data.xml 34.1M/36.1M [00:17<00:00, 2.87MB/s][A 95%|█████████▌|get-started/data.xml 34.4M/36.1M [00:17<00:00, 2.87MB/s][A 96%|█████████▌|get-started/data.xml 34.8M/36.1M [00:17<00:00, 2.87MB/s][A 97%|█████████▋|get-started/data.xml 35.1M/36.1M [00:17<00:00, 2.87MB/s][A 98%|█████████▊|get-started/data.xml 35.4M/36.1M [00:18<00:00, 2.87MB/s][A 99%|█████████▉|get-started/data.xml 35.7M/36.1M [00:18<00:00, 2.88MB/s][A 100%|█████████▉|get-started/data.xml 36.0M/36.1M [00:18<00:00, 2.87MB/s][A [A To track the changes with git, run: git add data/.gitignore data/data.xml.dvc [0m
!dvc statusData and pipelines are up to date.
[0mls -l datatotal 37020 -rw-rw-r-- 1 tomek tomek 37891850 maj 31 11:10 data.xml -rw-rw-r-- 1 tomek tomek 284 maj 31 11:10 data.xml.dvc -rw-rw-r-- 1 tomek tomek 5072 maj 31 11:01 Iris.csv -rw-rw-r-- 1 tomek tomek 76 maj 31 11:01 Iris.csv.dvc
# %load data/data.xml.dvc
md5: a7cd139231cc35ed63541ce3829b96db
frozen: true
deps:
- path: get-started/data.xml
repo:
url: https://github.com/iterative/dataset-registry
rev_lock: ba014f40e29670421a67cb1c47543f402348aa13
outs:
- md5: a304afb96060aad90176268345e10355
size: 37891850
path: data.xml
DVC pipelines
- wprowadzenie: https://youtu.be/71IGzyH95UY
- Getting started: https://dvc.org/doc/start/data-pipelines
- dvc pipelines pozwala nam zbudować (za pomocą polecenie
dvc run) lub zdefiniować (edytując plikdvc.yaml) graf zależności między krokami wykonywanymi w naszym projekcie (takimi jak "przygotowanie danych", "trenowanie", "ewaluacja") - tak zdefiniowany pipeline można potem uruchomić za pomocą polecenia
dvc reproduce
Zadania [15pkt]
- Zainicjalizuj repozytorium DVC wewnątrz Twojego repozytorium z projektem [1pkt]
- Dodaj plik(i) z danymi w Twoim projekcie do DVC [1pkt]
- Skonfiguruj remote (dane do konfiguracji będą podane niebawem) [1pkt]
- Stwórz/zdefiniuj i dodaj do repozytorium plik
dvc.yamlopisujący kroki wykonywane w Twoim projekcie. Wydziel przynajmniej 2 kroki (np. przygotowanie danych/trenowanie) powiązane ze sobą za pomocą zależności (skorzystaj z materiałów "Getting started", link powyżej) [6pkt] - Stwórz projekt na Jenkinsie (
s1233456-dvc), w którym sklonujesz repozytorium, ściągniesz pliki dvc (za pomocądvc pull) i uruchomisz pipeline (za pomocądvc reproduce) [6pkt]
SSH remote
Jednym z remote obsługiwanych przez DVC jest SFTP/SSH.
W celu jego wykorzystania na serwerze tzietkiewicz.vm.wmi.amu.edu.pl utworzony został użytkownik ium-sftp i skonfigurowany serwer SFTP.
Został też dla niego wygenerowany klucz ssh, który został dodany jako "Jenkins credential" (patrz opis konfiguracji na Jenkins poniżej)
Lokalnie
Będziemy potrzebować zależności :
conda install dvc-ssh
albo
pip install dvc[ssh] paramiko
conda install -c conda-forge dvc-sshCollecting package metadata (current_repodata.json): done
Solving environment: done
## Package Plan ##
environment location: /home/tomek/miniconda3
added / updated specs:
- dvc-ssh
The following packages will be downloaded:
package | build
---------------------------|-----------------
bcrypt-3.2.0 | py39h3811e60_1 44 KB conda-forge
ca-certificates-2021.5.30 | ha878542_0 136 KB conda-forge
certifi-2021.5.30 | py39hf3d152e_0 141 KB conda-forge
dvc-2.3.0 | py39hf3d152e_0 542 KB conda-forge
dvc-ssh-2.3.0 | py39hf3d152e_0 9 KB conda-forge
fsspec-2021.5.0 | pyhd8ed1ab_0 77 KB conda-forge
invoke-1.5.0 | pyhd3deb0d_0 137 KB conda-forge
paramiko-2.7.2 | pyh9f0ad1d_0 135 KB conda-forge
pynacl-1.4.0 | py39h3811e60_2 1.3 MB conda-forge
------------------------------------------------------------
Total: 2.5 MB
The following NEW packages will be INSTALLED:
bcrypt conda-forge/linux-64::bcrypt-3.2.0-py39h3811e60_1
dvc-ssh conda-forge/linux-64::dvc-ssh-2.3.0-py39hf3d152e_0
invoke conda-forge/noarch::invoke-1.5.0-pyhd3deb0d_0
paramiko conda-forge/noarch::paramiko-2.7.2-pyh9f0ad1d_0
pynacl conda-forge/linux-64::pynacl-1.4.0-py39h3811e60_2
The following packages will be UPDATED:
ca-certificates 2020.12.5-ha878542_0 --> 2021.5.30-ha878542_0
certifi 2020.12.5-py39hf3d152e_1 --> 2021.5.30-py39hf3d152e_0
dvc 2.1.0-py39hf3d152e_0 --> 2.3.0-py39hf3d152e_0
fsspec 0.9.0-pyhd8ed1ab_2 --> 2021.5.0-pyhd8ed1ab_0
Downloading and Extracting Packages
certifi-2021.5.30 | 141 KB | ##################################### | 100%
fsspec-2021.5.0 | 77 KB | ##################################### | 100%
dvc-2.3.0 | 542 KB | ##################################### | 100%
invoke-1.5.0 | 137 KB | ##################################### | 100%
paramiko-2.7.2 | 135 KB | ##################################### | 100%
bcrypt-3.2.0 | 44 KB | ##################################### | 100%
pynacl-1.4.0 | 1.3 MB | ##################################### | 100%
dvc-ssh-2.3.0 | 9 KB | ##################################### | 100%
ca-certificates-2021 | 136 KB | ##################################### | 100%
Preparing transaction: done
Verifying transaction: done
Executing transaction: done
Note: you may need to restart the kernel to use updated packages.
!dvc remote add -f -d ium_ssh_remote ssh://ium-sftp@tzietkiewicz.vm.wmi.amu.edu.pl/ium-sftpSetting 'ium_ssh_remote' as a default remote.
[0m!dvc remote listmy_local_remote /dvcstore
ium_ssh_remote ssh://ium-sftp@tzietkiewicz.vm.wmi.amu.edu.pl/ium-sftp
[0m!dvc remote modify --local ium_ssh_remote password [hasło takie jak do serwera MLflow (patrz MSTeams)][0m!dvc push0% Uploading| |0/1 [00:00<?, ?file/s] ![A 0%| |data/Iris.csv 0.00/4.95k [00:00<?, ?B/s][A 1 file pushed [A [0m
Jenkins
W Jenkins można użyć mechanizmu "Credentials", żeby w bezpieczny sposób przekazać hasło albo klucz prywatny.
Takie dane dla użytkownika ium-sftp zostały stworzone na Jenkinsie:
- typu ssh key: https://tzietkiewicz.vm.wmi.amu.edu.pl:8080/credentials/store/system/domain/_/credential/48ac7004-216e-4260-abba-1fe5db753e18/
- typu "secret text" - zawierający hasło użytkownika ium-shftp: https://tzietkiewicz.vm.wmi.amu.edu.pl:8080/credentials/store/system/domain/_/credential/ium-sftp-password/
Opis używania "Credentials" w Jenkinsfile: https://www.jenkins.io/doc/book/pipeline/jenkinsfile/#for-other-credential-types
Klucza ssh można użyć tak:
withCredentials(
[sshUserPrivateKey(credentialsId: '48ac7004-216e-4260-abba-1fe5db753e18', keyFileVariable: 'IUM_SFTP_KEY', passphraseVariable: '', usernameVariable: '')]) {
sh 'dvc remote add -d ium_ssh_remote ssh://ium-sftp@tzietkiewicz.vm.wmi.amu.edu.pl/ium-sftp'
sh 'dvc remote modify --local ium_ssh_remote keyfile $IUM_SFTP_KEY'
sh 'dvc pull'}
Secret text tak:
withCredentials([string(credentialsId: 'ium-sftp-password', variable: 'IUM_SFTP_PASS')]) {
sh 'dvc remote add -d ium_ssh_remote ssh://ium-sftp@tzietkiewicz.vm.wmi.amu.edu.pl/ium-sftp'
sh 'dvc remote modify --local ium_ssh_remote password $IUM_SFTP_KEY'
sh 'dvc pull'
}
Przykład kongiguracji: