machine-learning - 机器学习模型的部署 - 数据版本控制

Question

假设我们在 Microsoft Azure 上托管的存储库的主分支上有一个发布管道。当在此分支上完成拉取请求时，会自动构建一个工件。单击工件时，我们可以看到一个窗口“出处”，其中显示了用于发布工件的代码的确切提交（见下图）。

现在假设一个人工制品不仅使用代码，还使用一些大量数据。这是使用训练代码和训练数据创建的机器学习模型的情况。我希望能够将两者的版本链接到一个人工制品（机器学习模型），理想情况下，它是在 master 上的 PR 之后自动创建的。

目前，我手动上传工件，所以我不仅缺少用于生成 ML 模型的数据的标识符，而且还缺少代码的提交 ID。

Azure 上是否有办法自动生成（重）人工制品？有没有办法跟踪代码的 id和用于产生人工制品的数据？我想我需要一个数据版本控制系统+一个存储。这些是 Azure 提供的吗？

标签： machine-learningdeploymentazure-devops

Answer 1

Azure 上是否有办法自动生成（重）人工制品？有没有办法跟踪代码的 id 和用于产生人工制品的数据？我想我需要一个数据版本控制系统+一个存储。这些是 Azure 提供的吗？

如果我理解正确，您可以尝试使用通用包将这些 json 文件打包为工件。

作为测试，我们可以使用通用包任务来创建和发布工件：

构建完成后，我们可以在我们的提要中获得工件：

您可以查看此文档在 Azure Pipelines 中发布和下载通用包以及使用 Azure DevOps Artifacts发布和下载通用包以了解一些详细信息。