教师平台上机器学习模型的交叉验证。
faculty-xval的Python项目详细描述
学院xval
教师平台上机器学习模型的交叉验证。目前， 包主要提供了一种通过以下方式并行交叉验证模型的方法 教师工作。要访问该功能，需要使用类：
faculty_xval.validation.JobsCrossValidator
其他信息可在提供的示例笔记本中找到。请喝一杯
请看下面的Try out the examples部分。
包支持keras和sklearn模型。当一个人可以写定制
与faculty-xval兼容的模型，不能保证
包正确地处理这些情况，特别是由于问题
关于权重的随机性。
下面提供了两套安装说明：
- 如果您只想使用
faculty-xval，请按照User installation instructions。 - 如果你想进一步发展，请按照
Developer installation instructions。
用户安装说明
创建环境
在Faculty平台上的项目中，创建名为faculty_xval的环境。
在PYTHON部分，从下拉菜单中选择Python 3和pip。
然后，在文本框中键入faculty-xval，然后单击ADD按钮。
环境安装程序包faculty-xval，并应应用于
创建的每个服务器；这包括交互式服务器和作业
服务器，如下所述。
创建作业定义
创建名为cross_validation的新作业定义。在COMMAND部分中，
粘贴以下内容：
faculty_xval_jobs_xval $IN_PATHS
然后，添加名为IN_PATHS的PARAMETER，并确保
Make field mandatory框被选中。
最后，在SERVER SETTINGS下，将faculty_xval添加到ENVIRONMENTS
章节。
对于计算密集型的交叉验证作业，我们建议使用
专用服务器，而不是在共享基础设施上运行。实现
单击SERVER RESOURCES下的Large and GPU servers，然后选择
从下拉菜单中选择适当的服务器类型。
完成后请记住单击SAVE。
开发人员安装说明
选择用户名
在开始安装过程之前，请选择适当的用户名，例如
foo。这不一定需要匹配您的教员平台用户名。
在下面的说明中，您选择的用户名将被称为
<USER_NAME>。
克隆存储库
创建文件夹/project/<USER_NAME>。然后，运行命令：
cd /project/<USER_NAME>
git clone https://github.com/facultyai/faculty-xval.git
创建环境
接下来，在项目中创建名为faculty_xval_<USER_NAME>的环境。
在此环境中，在SCRIPTS下，将以下代码粘贴到BASH
部分，记住将第二行上的USER_NAME定义更改为
您选择的<USER_NAME>：
# Remember to change username!USER_NAME=<USER_NAME> # Install faculty-xval from local repository. pip install /project/$USER_NAME/faculty-xval/ # Turn USER_NAME into an environment variable.echo"export USER_NAME=$USER_NAME" > /etc/faculty_environment.d/app.sh if[[ -d /etc/service/jupyter ]];then sudo sv restart jupyter fi
这个环境应该应用在您创建的每台服务器上；这个 包括“普通”交互服务器和作业服务器，如下所述。
创建作业定义
接下来，创建一个名为cross_validation_<USER_NAME>的新作业定义。在
COMMAND部分，粘贴以下内容：
faculty_xval_jobs_xval $in_paths
然后，添加名为in_paths的PARAMETER，并确保
Make field mandatory框被选中。
最后，在SERVER SETTINGS下，将faculty_xval_<USER_NAME>添加到
ENVIRONMENTS部分。
对于计算密集型的交叉验证作业，我们建议使用
与在群集中运行不同的专用服务器。要实现此目的，请单击
在SERVER RESOURCES下的Large and GPU servers上，选择适当的
从下拉菜单中选择服务器类型。
完成后请记住单击SAVE。
尝试示例
请克隆此存储库。与faculty-xval交叉验证的示例
对于不同类型的模型在目录中提供
examples/keras和examples/sklearn。使用说明分为
两个笔记本：
jobs_cross_validator_run.ipynb加载数据，实例化模型，然后 开始执行交叉验证。jobs_cross_validator_analyse.ipynb从十字架上收集结果 验证，重新加载目标数据，并通过 多个列车测试分离。
请注意，示例笔记本必须按刚刚定义的顺序运行。
欢迎加入QQ群-->： 979659372
