mlhubv3 2.9.19

简介

机器学习中心是一个[开源的 项目]（https://github.com/mlhubber/mlhub）旨在轻松共享 [预先构建的机器学习 模型]（https://github.com/mlhubber/mlmodels）。访问模型 并使用mlhub包中的ml命令进行管理 安装模型并在5分钟内运行演示。每种型号 已经在ubuntu（gnu/linux）上测试过。

访问上的[存储库索引]（https://mlhub.ai/Packages.html） [mlhub.ai]（https://mlhub.ai/）可以浏览模型本身 从[主池]（https://mlhub.ai/pool/main/）。

快速启动

命令行界面可以使用 [pypi]（https://pypi.org/project/mlhub/）：

$ pip3 install mlhub

安装后，您将能够运行示例“rain”模型 假设你有免费的开源统计软件 已安装包]（https://cran.r-project.org）。tl；dr版本是 下面。注意，您输入命令ml…并且 将忽略行尾的（注释）：

$ ml install rain # Install the model named ‘rain’. $ ml demo rain # Run the demonstration of the model $ ml display rain # Graphical display of pre-built model.

以下命令可用，下面是对 每个命令：

$ ml # Show a usage message. $ ml available # List of pre-buld models on the MLHub. $ ml installed # List of pre-built models installed locally $ ml install rain # Install the model named ‘rain’. $ ml readme rain # View background information about the model. $ ml configure rain # Install required dependencies. $ ml commands rain # List of commands supported by the model. $ ml demo rain # Run the demonstration of the model $ ml print rain # Textual summary of the model. $ ml display rain # Graphical display of pre-built model. $ ml score rain # Run model on your own data.

不同的模型包将有不同的依赖关系，这些依赖关系将 通过configure命令安装。

快速入门：azure dsvm

一个特别吸引人的简单方法开始探索 mlhub的功能是启动一个 machine]（https://aka.ms/dsvm）（dsvm）在azure上，每台只要10美元 一个相当小的服务器一个月或一个合理的服务器90美元。你可以 从微软获得免费信用（200美元）到[试用 dsvm]（https://aka.ms/free）。

与设置相比，使用此虚拟机将节省大量时间 使用所需的依赖项建立自己的计算机，当然 如果您愿意，可以这样做，因为所有依赖项都是开源的。

要设置虚拟机，请使用azure订阅登录到 [门户]（https://portal.azure.com/）并添加一个新的数据科学虚拟 Linux机器（ubuntu）。您需要提供一个名称（用于 一个用户名和密码，然后创建一个新资源 分组并给它命名，最后选择一个位置。与所有的 默认值，除了选择适合预算的大小 （b1s虽然便宜，但d2s是更好的交互体验）。注意 你只在机器启动时收费，每台90美元 一个月不可能是你将要花费的时间，如果你只是点燃 需要时提供服务。

一旦dsvm设置好，转到它的概览页面并单击dns name 配置并提供用于公开引用服务器的名称 （例如myml.westus2.cloudapp.azure.com）。

我们现在有一台服务器可以展示预先构建的机器学习 模型。有几个选项可以连接到服务器，但是 建议使用[x2go]（https://x2go.org/）支持 Linux、Windows和Mac。安装并指向服务器（例如， 安装程序中的myml.westus2.cloudapp.azure.com）。

连接到DSVM。关闭弹出的Firefox窗口。点击 终端图标在底部，您可以开始了：

$ pip install mlhub $ ml $ ml available

等

预建模型存档

模型是作为.mlm文件存档并托管在存储库中的zip文件。 公共存储库是[mlhub.ai]（https://mlhub.ai/）。ml命令 可以在本地安装预先构建的模型，准备运行演示，以便打印 显示模型，并使用该模型对新数据进行评分。一些 模型提供了使用用户提供的数据重新训练模型的能力。

为ML Hub贡献模型

欢迎任何人向ml hub贡献一个预先构建的模型包。 请通过提交请求 [github]（https://github.com/mlhubber）。

安装PIP3

在ubuntu上，这很简单：

$ sudo apt install python3-pip

替代PIP安装

取决于在设置PIP时，您可能需要使用：

$ pip3 install mlhub

可执行文件可以放入~/.local/bin中，这需要 在你的路上。编辑您的shell启动程序，它可以是.profile或 .bashrc等：

PATH=”$HOME/.local/bin:$PATH”

替代安装

包含mlhub包和命令行接口的tar.gz是 可用作 [mlhub_1.6.7.tar.gz]（https://mlhub.ai/dist/mlhub_1.6.7.tar.gz）内 mlhub的[分发文件夹]（https://mlhub.ai/dist/）。

从tar.gz文件安装：

$ wget https://mlhub.ai/dist/mlhub_1.6.7.tar.gz $ pip install mlhub_1.6.7.tar.gz $ ml

或者解压缩以上下载的.tar.gz并安装：

$ wget https://mlhub.ai/dist/mlhub_1.6.7.tar.gz $ tar xvf mlhub_1.6.7.tar.gz $ cd mlhub $ python3 setup.py install –user

贡献

开源的mlhub命令行工具（ml）和示例模型 托管在[github]（https://github.com/mlhubber）上并为 命令行工具和新开源的贡献 最受欢迎的是预先构建的机器学习模型。请随意提交 拉取请求。