*为什么要使用Dvc ? *
1.做算法或者机器学习的时候,需要使用不同的数据集来验证算法或者模型的效果,也会需要针对同一份数据集,对比不同版本的模型效果。
2.不适用Git管理数据集的原因 : Git 无法单独下载想要的数据集,git来管理大量数据集的话,可能git pull 或者 git push都会耗时很久,将算法模型代码和数据集耦合在一起。
简单来说,Dvc负责管理真正的数据源,Git负责管理dvc的映射文件。
- 先把真正的数据源传到Dvc指定的存储数据的地方;
- 然后dvc的映射文件用git push放到github或者gitlab;
- 当想要使用某一个文件的时候,git pull 所有的dvc文件,再选用需要的数据集映射dvc文件,再用dvc pull,则数据集就会从存储数据的地方过来了
Simple Demo
a. 安装dvc
pip install dvc
b. 对于新项目,分别初始化 dvc 和 git。如果是旧项目,已经有git了,那只需要初始化dvc
git init
dvc init
c. 因为不把数据源传到github或者gitlab,那么需要有个地儿放数据源。我选择公司的服务器,更多方法见官网(https://dvc.org/doc/command-reference/remote)
#选择ssh的连接方式,地址是172.xx.xx.xx,存储的路径是path_to_store_data
# -d 是 default,认为该路