破浪会有时的博客

此案例中，我们将通过 pyTorch Lightning 对 MobileNetV2 预训练模型进行迁移学习，对象是 LEGO Minifigures 数据集。提供源代码。

此章节中通过一个具体案例详细介绍如何使用TorchHub，基于已经训练好的ResNet模型进行迁移学习分类任务。我们将学习这些模型背后的核心思想，并根据我们选择的任务对其进行微调。

本章节将详细解释如何通过hyperopt优化搜索，基于MLFlow以及keras的端到端深度学习流程。相关主要代码参见`search_hyperopt.py`文件。关于整个系列案例如何运行，请参见博客：MLOps极致细节：9. MLFlow 超参数调参案例综述（附代码）。代码参见 https://gitee.com/yichaoyyds/mlflow-ex-hyperparametertunning。

本章节将详细解释如何通过随机搜索，基于MLFlow以及keras的端到端深度学习流程。相关主要代码参见`search_random.py`文件。关于整个系列案例如何运行，请参见博客：[MLOps极致细节：9. MLFlow 超参数调参案例综述（附代码）](https://blog.csdn.net/zyctimes/article/details/123422640)。代码参见[此Gitee链接](https://gitee.com/yichaoyyds/mlflow-ex-hyperparameter)

本章节将详细解释如何基于MLFlow以及keras的端到端深度学习流程。相关主要代码参见`train.py`文件。关于整个系列案例如何运行，请参见博客：[MLOps极致细节：9. MLFlow 超参数调参案例综述（附代码）](https://blog.csdn.net/zyctimes/article/details/123422640)。相关代码参见[此Gitee链接](https://gitee.com/yichaoyyds/mlflow-ex-hyperparametertunning)。

在这个博客中，我们将详细提供一系列案例，基于mlflow和keras的深度学习框架对`winequality-white`数据进行quanlity预测的端到端流程，以及通过随机选择和Hyperopt优化进行调整超参数。相关代码参见：https://gitee.com/yichaoyyds/mlflow-ex-hyperparametertunning。

MLFlow Projects允许我们将代码及其依赖项打包为一个可以在其他平台上以可复制（reproducible）和可重用（reusable）的方式运行的项目。每个项目都包括自己的代码和一个MLproject文件，该文件定义了它的依赖项（例如Python环境），以及可以在项目中运行哪些命令以及它们采用的参数。上一章节中，我们对MLflow Projects的概念以及结果进行了描述（参见博客：MLOps极致细节：4. MLFlow Projects 案例介绍）。这里我们将对[代码]进行详细解读。

MLFlow Projects允许我们将代码及其依赖项打包为一个可以在其他平台上以可复制（reproducible）和可重用（reusable）的方式运行的项目。每个项目都包括自己的代码和一个MLproject文件，该文件定义了它的依赖项（例如Python环境），以及可以在项目中运行哪些命令以及它们采用的参数。在这个案例中，我们基于MLFlow的官方GitHub文档，具体说明MLflow Projects如何被使用，以及结果。

MLflow Tracking是一个API以及包含UI界面，能够允许我们记录代码中的log matrics和artifacts文件，查看运行历史记录，并且进行一些结果的数据可视化。上一章节中，我们对MLflow Tracking的概念进行了描述，参见博客：MLOps极致细节：2. MLFlow Tracking 介绍。这里我们将对代码进行详细解读。

MLflow Tracking是一个API以及包含UI界面，能够允许我们记录代码中的log matrics和artifacts文件，查看运行历史记录，并且进行一些结果的数据可视化。在这个案例中，我们会具体说明MLflow Tracking如何被使用，以及结果。

这个博客，我们将非常简单地介绍一个比较实用的MLOps开源工具：MLFlow。在接下来的一系列博客中，我们将逐渐列举一些实例，和大家一起一步步通过MLFlow来学习MLOps是如何让机器学习/深度学习流程化的。

此博客主要介绍什么是MLOps，为什么用MLOps，以及MLOps与DevOps，破布，敏捷等产品开发流程的区别。