Machine-Learning-Modell auf Docker

In diesem Artikel erhalten Sie einen allgemeinen Überblick über die Bereitstellung von ML-Modellen in einem Docker-Container, aber Sie können diese Methode verwenden, um ein beliebiges ML-Modell in einem Docker-Container bereitzustellen. Dies wird einfach und macht Spaß, zwei Technologien miteinander zu integrieren. JETZT LASSEN SIE UNS EINSTEIGEN !!

Wir werden Red Hat Linux 8 als Docker-Host und Centos Docker-Image verwenden, das alle Dateien für das ML-Modell enthält. Hier ist das Modell des maschinellen Lernens, das wir verwenden werden, das lineare Regressionsmodell

Lassen Sie uns zunächst verstehen, was LINEARE REGRESSION und DOCKER ist?

Was ist Lineare Regression (LR) ?

Lineare Regression wird verwendet, um eine lineare Beziehung zwischen zwei stetigen Variablen zu finden . Eine ist die Ziel- oder abhängige Variable und die andere ist eine oder mehrere Prädiktor- oder unabhängige Variable. Die Beziehung zwischen zwei Variablen wird als deterministische Beziehung bezeichnet, wenn eine Variable durch die andere genau ausgedrückt werden kann. Das Modul, das LR bereitstellt, ist scikit-learn.

Was ist Docker?

Docker ist ein bisschen wie eine virtuelle Maschine. Aber im Gegensatz zu einer virtuellen Maschine , anstatt ein ganzes virtuelles Betriebssystem zu erstellen, ermöglicht Docker Anwendungen, denselben Linux-Kernel wie das System zu verwenden, auf dem sie ausgeführt werden, und erfordert nur, dass Anwendungen mit Dingen ausgeliefert werden, die nicht bereits auf dem Host-Computer ausgeführt werden. Dies führt zu einer deutlichen Leistungssteigerung und reduziert die Größe der Anwendung. Hier können wir einen Machine Learning Code in einem separaten Betriebssystem mit nur den Anforderungen ausführen, die für die Ausführung unseres Skripts erforderlich sind.

GRUNDLEGENDE SCHRITTE BEIM AUFBAU EINES ML-MODELLS :-

  1. Wir benötigen einen Datensatz und der Datensatz, den wir verwenden werden, ist „Salary_Data.csv“ . Mit diesem Datensatz werden wir unser lineares Regressionsmodell trainieren, um das Gehalt basierend auf der vom Benutzer angegebenen Erfahrung vorherzusagen.
  2. Wir brauchen Bibliotheken wie pandas , um den Datensatz zu importieren, scikit-learn , um das lineare Regressionsmodell zu importieren, joblib , um das Modell zu speichern.

JETZT GEHEN WIR ZUM HAUPTTHEMA (LAUFEN DES ML-MODELLS INSIDE DOCKER): -

  1. Zuerst müssen wir Docker installieren, aber hier habe ich den Docker bereits installiert und dann einen Container namens ML_model gestartet, der das Image von CentOS verwendet: Latest.
  2. Führen Sie den Docker-Container aus
Docker-Status
centos: neuestes Image wird verwendet, um den Docker-Container zu starten

2 . Datensatz csv-Datei , gespeicherte Datei des trainierten Modells und der Trainingscode alle diese drei Dateien wurden hier von Windows nach RedHat mit WinSCP übertragen . WinSCP benötigt die IP-Adresse Ihres RedHat erst dann können Sie Daten übertragen.

Übertragen der Dateien von Windows auf Redhat OS

3. Mit joblib das Modell, das ich in der Datei "Salary.pkl" gespeichert habe, die die Daten in binärer Form speichert und die "script.py" , die den Benutzerinteraktionscode enthält, und schließlich die "requirement.txt" eine Textdatei die wir erstellen, um alle erforderlichen Bibliotheken im Container zu installieren, alle werden in den Container kopiert werden unten gezeigt. Mit diesem Befehl

$ docker cp file_name docker_container_name:/

      
Copying inside the container
Before copying
After copying

3. Jetzt werden wir Python3 installieren und für die Installation aller erforderlichen Bibliotheken verwenden wir "requirement.text".

installiere python3
alle Bibliotheken installieren

6. Nach der Installation werden wir unsere „script.py“ ausführen und dann werde ich 15 Jahre Erfahrung einbringen, nur um zu sehen, wie diese Vorhersage ausfällt .

Wie wir sehen können, ist das Ergebnis 166468,72.

Ich hoffe, dass Ihnen der Artikel gefallen und Sie heute ein neues Konzept kennengelernt haben :D

Den Code für dieses Praktikum finden Sie unter:

Suggested posts

Assoziatives Gedächtnis implementieren

Assoziatives Gedächtnis implementieren

Geschrieben von Shashata Sawmya und Harveer Singh Mit dem Aufkommen großer neuronaler Netze und den ständig zunehmenden technologischen Fortschritten, die aktuelle Methoden an ihre absoluten Grenzen bringen, liegt der Schwerpunkt auf der Entwicklung eines Allround-Tools, das alles kann. Allerdings würden die meisten Aufgaben nicht die unglaublich intensiven tiefen Netzwerke erfordern, sondern dennoch etwas Vielseitigeres als grundlegende mathematische Modelle.

So führen Sie ChatGPT-Plugins kostenlos mit Langchain aus

So führen Sie ChatGPT-Plugins kostenlos mit Langchain aus

Sie haben sicher schon von allen neuen leistungsstarken ChatGPT-Plugins wie Browser, Code Interpreter usw. gehört. Es gibt jedoch ein Problem: Der Zugriff auf Plugins ist auf eine Warteliste beschränkt und viele haben daher keinen Zugriff darauf.

Related posts

Netzwerk-TV Twitter

Netzwerk-TV Twitter

Was alt ist, ist jetzt wieder neu und was früher das glitzernde, glänzende Ding war, fühlt sich jetzt langweilig an. Ich spreche nicht davon, dass JNCO-Jeans zusammen mit anderen Modetrends der späten 1990er Jahre unter den coolen Kids in der Innenstadt ein Comeback erleben.

Zeitschrift Ouvert

Zeitschrift Ouvert

Offenes Tagebuch: Ein Bild pro Tag. Geschichten haben mich schon immer fasziniert.

Finanzierung der CO2-Entfernung im Geschäftsjahr 24

Die Aufschlüsselung der Mittelanträge von Carbon180 nach Pfaden

Finanzierung der CO2-Entfernung im Geschäftsjahr 24

Von Alyson Lee, geschäftsführende Beraterin für Regierungsangelegenheiten Der jährliche Bewilligungsprozess der Bundesregierung ist von zentraler Bedeutung für unsere Bemühungen zur Finanzierung der Kohlendioxidentfernung (CDR). Jedes Jahr reicht Carbon180 Anfragen an verschiedene Kongressbüros ein, um zu bestimmen, wohin die Dollars im nächsten Jahr fließen werden.

Pronomen sind super gruselig

Es fällt mir plötzlich auf, wie so oft. Es ist wieder die Mitte. <Nein, nicht die im Pazifik, du Schlappschwanz, die auf dem Jahrmarkt> Jede Schlagzeile laut…..