Постановка задачи:
1. Создайте образ контейнера с Python3 и Keras или numpy, установленным с помощью файла dockerfile.
2. Когда мы запускаем этот образ, он должен автоматически запускать обучение модели в контейнере.
3. Создайте цепочку заданий job1, job2, job3, job4 и job5, используя плагин конвейера сборки в Jenkins.
4. Job1: автоматическое получение репозитория Github, когда некоторые разработчики отправляют репозиторий на Github.
5. Job2: просмотрев код или программный файл, Дженкинс должен автоматически запустить соответствующее программное обеспечение для машинного обучения, установить интерпретатор, установить контейнер образа, чтобы развернуть код и начать обучение (например, если код использует CNN, тогда Дженкинс должен запустить контейнер, который уже установлено все программное обеспечение, необходимое для обработки cnn).
6. Job3: Обучите свою модель и предскажите точность или показатели.
7. Job4: если точность метрик меньше 80%, то необходимо настроить архитектуру модели машинного обучения.
8. Job5: переобучить модель или уведомить, что создается лучшая модель
9. Создайте одно дополнительное задание job6 для монитора: если контейнер, в котором запущено приложение. происходит сбой по какой-либо причине, то это задание должно автоматически снова запускать контейнер с того места, где осталась последняя обученная модель.
Сначала нам нужно создать две разные среды для ML и DL. Для этого мы создаем два отдельных каталога и создаем Dockerfile. Мы пишем файл Docker с библиотеками в соответствии с нашими требованиями.
Вы можете найти код Python и наборы данных в моем github по ссылке https://github.com/SatyaBhashiniNandigam/ML-DL
Мы должны создать образ с помощью команд ниже:
сборка докеров -t мл:v1 . → для файла докера машинного обучения
сборка докеров -t dl:v1 . → для файла докера глубокого обучения.
После успешной сборки начинаем нашу первую работу в jenkins
Теперь переходим к работе-2,
Как только задача будет выполнена, она отправит письмо клиенту
Работа 3, здесь проверяется точность модели, и если она меньше 85, настраивается архитектура модели машинного обучения.
После успешного завершения трех заданий мы создаем конвейер сборки между заданиями: