部署机器学习模型的最快方法
omegaml的Python项目详细描述
omega ml是部署机器学习模型的最快方法
omega ml只需一行代码就可以
- 直接从Jupyter笔记本电脑(或任何其他代码)部署机器学习模型
- 快速实现数据管道,不受内存限制,所有这些都来自类似于api的pandas
- 从易于使用的rest api提供模型和数据
此外,您还可以
- 在集成计算群集(或使用自定义后端的任何其他群集)上训练模型
- 轻松协作进行数据科学项目(使用Jupyter笔记本)
- 从Jupyter笔记本电脑(使用DashServe)中直接部署漂亮的仪表板
文档:https://omegaml.github.io/omegaml/
5分钟后开始
从笔记本电脑或虚拟机启动Omega ML服务器
$ wget https://raw.githubusercontent.com/omegaml/omegaml/master/docker-compose.yml $ docker-compose up -d
Jupyter笔记本可立即在http://localhost:8899上获得(登录时请登录omegamlisfun)。 您创建的任何笔记本都将自动存储在集成的omega ml数据库中,使协作变得轻而易举。 rest api在http://localhost:5000上可用。
已经有了python环境(例如jupyter笔记本)? 按如下方式安装,充分利用欧米茄ml的功效:
# assuming you have started the server as per above $ pip install omegaml
示例
有关详细信息,请访问https://omegaml.github.io/omegaml/
# transparently store Pandas Series and DataFrames or any Python object om.datasets.put(df, 'stats') om.datasets.get('stats', sales__gte=100) # transparently store and get models clf = LogisticRegression() om.models.put(clf, 'forecast') clf = om.models.get('forecast') # run and scale models directly on the integrated Python or Spark compute cluster om.runtime.model('forecast').fit('stats[^sales]', 'stats[sales]') om.runtime.model('forecast').predict('stats') om.runtime.model('forecast').gridsearch(X, Y) # use the REST API to store and retrieve data, run predictions requests.put('/v1/dataset/stats', json={...}) requests.get('/v1/dataset/stats?sales__gte=100') requests.put('/v1/model/forecast', json={...})
用例
omega ml目前支持scikit即插即用学习。需要从另一个框架部署模型吗? 在https://github.com/omegaml/omegaml/issues打开一个问题,或者在support@omegaml.io给我们放一行
机器学习部署
- 使用一行代码将模型部署到生产环境中
- 提供和使用来自rest api的模型或数据集
数据科学合作
- 在几分钟内获得一个完全集成的数据科学工作场所[1]
- 与合作者轻松共享模型、数据、Jupyter笔记本和报告
集中式数据和计算群集
- 在纯python或apache spark计算集群上执行核心外计算[2]
- 拥有一个开箱即用的共享nosql数据库,其行为类似于pandas数据框[3]
- 使用计算群集来训练您的模型,而无需额外设置
可扩展性和可扩展性
- 在不更改代码的情况下,将数据科学工作从笔记本电脑扩展到团队和生产
- 将任何机器学习框架或第三方数据科学平台与通用API集成
Toward Data Science最近发表了一篇关于Omega ML的文章: https://towardsdatascience.com/omega-ml-deploying-data-machine-learning-pipelines-the-easy-way-a3d281569666
[1]支持scikit learn、Spark mllib开箱即用、keras和 TensorFlow即将推出。注意,Spark集成目前仅在 企业版。 [2]用芹菜、大头菜或星火 [3]利用MongoDB优秀的聚合框架
此外,omega ml提供了一个易于使用的扩展api来支持任何类型的模型, 计算集群、数据库和数据源。
企业版
Omega ML企业版在每一个级别上都提供了安全性,为Kubernetes做好了准备 部署。它是为本地、私有或混合云单独授权的。 在https://omegaml.io注册