MLOps - Machine Learning Operations

機器學習運維相關的工具、實踐和範例。

📁 內容

Docker 環境

基於 NVIDIA PyTorch 的 MLOps 開發環境

• PyTorch 20.03
• OpenCV
• Jupyter Notebook (Port 8888)
• Flask (Port 8070, 5000)

TensorFlow 範例

• Autoencoder 實作 - TensorFlow 自編碼器範例

Demo

MLOps 相關示範專案

🚀 快速開始

建置 Docker 映像

cd mlops
docker build -t mlops-env .

執行容器

docker run -it --gpus all \
  -p 8888:8888 \
  -p 8070:8070 \
  -p 5000:5000 \
  -v $(pwd):/workspace \
  mlops-env

啟動 Jupyter Notebook

jupyter notebook --ip=0.0.0.0 --port=8888 --allow-root

🔧 環境說明

已安裝套件

• PyTorch: 深度學習框架
• OpenCV: 電腦視覺函式庫
• CMake: 編譯工具
• Vim: 文字編輯器

開放端口

• 8888: Jupyter Notebook
• 8070: Flask 應用
• 5000: Flask 預設端口
• 8080: 保留端口
• 5901: VNC (如有安裝)

📚 相關資源

• NVIDIA NGC Catalog
• PyTorch 官方文件
• TensorFlow 官方文件

🎯 MLOps 最佳實踐

1. 版本控制: 程式碼、資料和模型版本管理
2. 自動化: CI/CD 流程自動化
3. 監控: 模型效能監控
4. 可重現性: 確保實驗可重現
5. 協作: 團隊協作與知識分享

---

原始倉庫: hoycdanny/mlops