概述
SKIL减少了实验数据科学建模、关键测试和产品决策以及可扩展部署工程之间的冲突。它弥合了Python生态系统与DevOps、IT和数据工程师部署体系结构之间的鸿沟。
从开始到结束
使用skil的团队可以期望对以下工作流程提供支持:
- 模型与数据配置
- DNN 训练
- 数据和结果的协作用户界面
- 实验和模型的版本化
- 可扩展的微服务部署架构
- 模型服务API
- 管理 UI
与Hadoop和Spark集成后,Skil被设计用于分布式GPU上的业务环境,以及Prem、云端或混合系统上的CPU。
工具和配置
在学习不同的工作流程(如转换数据或部署转换)之前,了解一些基本工具很重要。这包括:
- 工作间
- 笔记本
配置同样重要,尤其是在处理内存不足错误(OOM)等问题时。这些基本配置可以帮助你避免常见问题:
- 内存设置
- 日志