Modele harkous simple

Dans les villes touristiques, il n`est pas rare de croiser une bonne femme dans la rue, installée sur la route touristique, à l`intérieur d`un port de plaisance sur les bancs ou autres qui proposent du harkous. Sur l`appelle généralement tatouage de harkous, par opposition au tatouage qui utilise d`autres matières. Exigez bien que ça soit du harkous. De toute manière, c`est l`odeur qui tranchera. Le prix varie en fonction du motif, plus ce dernier est grand et sophistiqué plus il coûte cher. Comptez 5DT pour une belle branche moyenne. Déploiement d`un modèle d`apprentissage automatique en tant qu`API REST avec une ligne de code le code de cet exemple provient de hamza harkous et de son blog «Guide de mise à l`échelle des modèles de machine learning en production». Nous ne traverserons pas le code ligne par ligne, comme hamza fournit une grande écriture dans le lien ci-dessus. Ce que nous devons faire clairement, c`est à quel point il est facile d`exécuter cet exemple de fiole à l`intérieur d`Anaconda Enterprise. De nombreuses organisations pensent que les outils de conteneurisation comme docker et les fournisseurs de Cloud sont tout ce dont ils ont besoin pour résoudre ce problème. Mais alors que les conteneurs et les environnements de calcul élastique sont des parties cruciales de la solution, ils seuls ne suffisent pas. Les modèles de service, de routage et de gestion à grande échelle sont des défis importants qui requièrent une infrastructure de soutien.

Préparé dans une zlizya (sorte de récipiendaire en poterie), le harkous dégage une odeur agréable tirée de la présence du girofle RAREPS. Contrairement au henné, le harkous ne se vend pas dans les commerces et est plutôt préparé par des femmes qui ont perpetre la tradition. Maintenant, nous reconnaissons que de nombreux utilisateurs de la science des données sont à l`aise avec des frameworks web comme Flask, Tornado, Django et Shiny. Ces bibliothèques sont entièrement prises en charge dans Anaconda Enterprise. Dans l`exemple suivant, nous allons parcourir un modèle d`apprentissage profond déployé en tant qu`API REST à l`aide de Flask. Cela créera un fichier de modèle reuters_model. HDF5 dans les modèles de dossier. Maintenant, nous sommes prêts à servir le modèle via Flask sur le port 4444. Dans le code ci-dessous, nous fournissons un seul point de terminaison REST/prédire qui prend en charge les requêtes GET, où le texte à classer est fourni en tant que paramètre.

Le JSON retourné est de la forme {“prédiction”: “N”}, où N est un entier représentant la classe prédite. À ce stade, notre service devrait commencer avec succès. Si nous mettons à jour le service ultérieurement, nous devons simplement le redémarrer: ensuite, avec l`approbation de la direction, l`équipe de science des données passera un modèle à l`équipe d`ingénierie logicielle, qui réécrira ensuite le modèle dans un «langage de production» comme Java. Parfois, cela provoque le changement des résultats du modèle et il prend toujours une quantité importante de temps. Pour vos scientifiques de données et les administrateurs informatiques qui les prennent en charge, Anaconda Enterprise fournit des outils puissants pour la création, la formation et le déploiement de modèles. Les scientifiques de données peuvent déployer des modèles en un seul clic, sans avoir à vous soucier de la conteneurisation, de la génération d`URL, du routage de modèle ou de la sécurité. Anaconda Enterprise prend soin de tout cela dans les coulisses. En tant que chercheur de données, on peut créer une API avec une infrastructure comme Flask, spécifier l`hôte et le port, et c`est tout. Anaconda Enterprise fournit tout le reste pour les tests localement ainsi que le déploiement.