Описание задачи3
- 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 установил все программное обеспечение, необходимое для обработки cnn). Обучите свою модель и предскажите точность или показатели.
6. Job3: переобучить модель или уведомить, что создается лучшая модель
7. Job4: если точность метрик меньше 80%, то необходимо настроить архитектуру модели машинного обучения.
8. Создайте одно дополнительное задание job5for monitor: 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.
СОЗДАНИЕ ОБРАЗА В DOCKERFILE:
1. Создайте образ контейнера с установленными Python3 и Keras или numpy с помощью файла dockerfile.
команды: 1. mkdir/dockerfiles
2. gedit Dockerfile
3. напишите команды, указанные под изображением
4. сохранить
5. Соберите образ sudo docker build -t mltrain:v1 /dockerfiles/
*mltrain:v1 — это просто имя изображения, которое может дать любое имя.
*/dockerfiles/ — это путь к каталогу, в котором сохранен ваш Dockerfile.
ЦЕЛЬ ДЖЕНКИНСА:
Задание 1: автоматическое получение репозитория Github, когда некоторые разработчики отправляют репозиторий на Github.
Название задания1: job1copyfromgit
Дополнительная работа по добавлению в код acct.txt
Название задания: Add_append
Задание 2. Просматривая 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 имеет уже установлено все программное обеспечение, необходимое для обработки cnn).
Название задания2: job2_launch_os_train_model
МОДЕЛИ ОБУЧАЮТСЯ, КОТОРЫЕ ПРЕДСКАЗЫВАЮТ ТОЧНОСТЬ
Задание 3: переобучить модель или сообщить, что создается лучшая модель.
Название задания3: Job3_Sending_Mail_Notifiy
Задание 4. Если точность метрик меньше 80 %, необходимо настроить архитектуру модели машинного обучения.
Название задания: job4_tweaking_the_job2
ПРИМЕЧАНИЕ: либо задание 3, либо задание 4. Будет работать ТОЛЬКО одно задание. Задание 3 будет работать, если точность задания 2 превышает 80%. job4 будет работать, когда job2 ниже 80%, чтобы переобучить модель. В моем случае job3 будет работать с точностью около 93%.
Создайте одно дополнительное задание job5 для монитора: если контейнер, в котором запущено приложение. происходит сбой по какой-либо причине, это задание должно автоматически снова запустить контейнер с того места, где осталась последняя обученная модель.
Название задания5: job5_Monitoring
ВЫВОД: