mlops-course

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

• Git（用于克隆仓库、设置远程地址和切换分支）
• Python（仓库内脚本以 python 命令方式运行）
• GitHub 账号（README 要求你先创建自己的 Made-With-ML 仓库）
• Anyscale 账号（仅在按 README 使用云集群时可选需要）

安装与启动步骤

1. 1创建 GitHub 仓库

   在 GitHub 新建名为 Made-With-ML 的仓库，务必勾选 Add a README file 以生成 main 分支。

2. 2克隆课程代码

   先进入一个空目录再执行，命令末尾的 . 表示把代码克隆到当前目录。

   git clone https://github.com/GokuMohandas/Made-With-ML.git .

   复制

3. 3设置远程地址

   把命令中的 GITHUB_USERNAME 换成你自己的 GitHub 用户名，指向刚创建的仓库。

   git remote set-url origin https://github.com/GITHUB_USERNAME/Made-With-ML.git

   复制

4. 4创建 dev 分支

   创建并切换到 dev 分支，后续的开发改动都在该分支上进行。

   git checkout -b dev

   复制

5. 5查询最佳 Run ID

   在仓库根目录执行，按 val_loss 升序从实验 llm 中取出最佳运行 ID。

   export EXPERIMENT_NAME="llm"
   export RUN_ID=$(python madewithml/predict.py get-best-run-id --experiment-name $EXPERIMENT_NAME --metric val_loss --mode ASC)

   复制

6. 6运行推理预测

   用上一步得到的 RUN_ID 发起预测，返回 JSON 格式的类别与概率。

   python madewithml/predict.py predict --run-id $RUN_ID --title "Transfer learning with transformers" --description "Using transformers for transfer learning on text classification tasks."

   复制

7. 7创建云上计算集群

   可选步骤，README 说明仓库已提供该配置，此处演示自行创建，需先装 anyscale CLI。

   export CLUSTER_COMPUTE_NAME="madewithml-cluster-compute"
   anyscale cluster-compute create deploy/cluster_compute.yaml --name $CLUSTER_COMPUTE_NAME

   复制

关键配置

如何确认成功

无长驻服务；git branch 显示在 dev 分支，且 predict 命令能返回含 prediction 的 JSON 即正常。

常见问题

注意事项

• README 节选未提供 pip/conda 依赖安装命令，完整环境搭建请以 madewithml.com 课程页为准。
• git remote set-url 中的 GITHUB_USERNAME 必须替换成你自己的用户名，否则推送会失败。
• 克隆命令末尾的 . 会把代码放入当前目录，请确保该目录为空。
• 预测示例依赖已训练好的实验记录，RUN_ID 需通过 get-best-run-id 动态获取，不能写死。