（二）为自动化MLOps设置GitHub、Docker和Google Cloud Platform

目录

Git存储库

谷歌云平台

Docker

下一步

• 下载源 - 1.2 MB

在本系列文章中，我们将引导您完成将CI/CD应用于AI任务的过程。您最终会得到满足Google MLOps 成熟度模型2级要求的功能管道。我们假设您对Python、Deep Learning、Docker、DevOps和Flask有一定的了解。

在上一篇文章中，我们简要介绍了机器学习(ML)背景下的CI/CD。在本节中，我们将为ML管道设置环境。

Git存储库

该项目将包括六个强制性信息库——数据集，DataCommit，CodeCommit，单元测试，PredictionAPI，部署——以及一个“额外的”，接口。它们显示在下图中的红色框中。

• 该数据集存储库包含了用于火车或更新型号的预处理的数据集（S）。每当管道检测到此存储库中的更改时，它将触发持续训练步骤。
• 该DataCommit库包含允许管道触发代码连续训练，每当新的数据推。
• 该CodeCommit库包含从无到有训练模型，支持代码的持续集成。
• 该单元测试库包含使管道以验证模型是在测试注册表中可用的代码，然后对它运行测试。
• 该PredictionAPI库包含这是负责运行预测服务本身的代码。它加载生产注册表中可用的模型并通过API公开它。
• 在部署存储库包含副本从测试注册表生产注册表模型（一旦模型已经成功通过测试），然后逐渐加载新的模式来预测API实例零停机时间的代码。
• 该接口库包含一个非常基本的Flask的Web界面，使用API通信，以支持预测的请求。

要访问上述存储库，请在您的计算机上创建一个项目文件夹，从该文件夹打开一个终端窗口，然后运行：

git clone https://github.com/sergiovirahonda/AutomaticTraining-Dataset.git
git clone https://github.com/sergiovirahonda/AutomaticTraining-DataCommit.git
git clone https://github.com/sergiovirahonda/AutomaticTraining-CodeCommit.git
git clone https://github.com/sergiovirahonda/AutomaticTraining-UnitTesting.git
git clone https://github.com/sergiovirahonda/AutomaticTraining-PredictionAPI.git
git clone https://github.com/sergiovirahonda/AutomaticTraining-Deployment.git
git clone https://github.com/sergiovirahonda/AutomaticTraining-Interface.git 

谷歌云平台

注意：您可以使用Google以外的云提供商。在这种情况下，您需要遵循该提供商的程序。

对于Google云平台(GCP)：

• 创建一个Google Cloud Platform 帐户。
• 在Google Cloud Platform上选择或创建一个项目。我们创建了一个新项目并将其命名为“AutomaticTrainingCICD”。尝试执行相同操作，然后在完成本教程后删除整个项目以避免产生费用。
• 检查计费是否已启用。
• 启用Google Kubernetes Engine、Compute Engine和Container Registry API。
• 安装并初始化Google Cloud SDK——允许您与GCP服务交互的终端包。
• 在GCS上创建将用作我们的模型注册表的存储桶：

gsutil mb -l us-central1 gs://automatictrainingcicd-aiplatform

Docker

要在本地机器上安装Docker，请按照本指南中的说明进行操作。

下一步

我们的环境现在已为ML管道做好准备。是时候进入实际代码了。在下一篇文章中，我们将实现自动训练。敬请关注！

https://www.codeproject.com/Articles/5301645/Setting-Up-GitHub-Docker-and-Google-Cloud-Platform