DevOps与机器学习的集成：使用Jenkins自动调整模型的超参数

任务描述

1. 创建使用Dockerfile安装Python3和Keras或NumPy的容器映像

2. 当我们启动镜像时，它应该会自动开始在容器中训练模型。

3. 使用Jenkins中的build pipeline插件创建job1、job2、job3、job4和job5的作业链

4. Job1：当一些开发人员将repo推送到Github时，自动拉Github repo。

5. Job2：通过查看代码或程序文件，Jenkins应该自动启动安装了相应的机器学习工具或软件的映像容器，以部署代码并开始培训（例如，如果代码使用CNN，那么Jenkins应该启动已经安装了CNN处理所需的所有软件的容器）。

6. Job3：训练你的模型和预测准确性或指标。

7. Job4：如果度量精度低于95%，那么调整机器学习模型架构。

8. Job5:重新训练模型或通知正在创建最佳模型

9. 为monitor创建一个额外的job6：如果应用程序正在运行的容器。由于任何原因失败，则此作业应自动重新启动容器，并且可以从上次训练的模型中断的位置开始。

首先创建docker镜像：

# docker build -t  deephub/optml:1.0 .

创建完后可以开始编写任务

Job 1

这里使用ngrok作为样例来为github webhooks payload url建一个隧道，这样我们的内网github就可以发布到公网上。除了ngrok以外可以选择其他服务。

# ./ngrok http 8080

Job 2

此作业将在容器未启动时触发启动，或者在job1成功生成时触发。

Job 3

当job2生成成功时，将触发此作业。这项工作是第一次训练模型，并检查模型的准确性是否大于95%。如果大于95%，则将模型保存到相应位置。

Job 4

当job3构建成功时，将触发此job。这项工作检查模型的准确性是否大于95%。如果它大于95%，那么它将不做任何事情，否则它将运行模型的另一个训练，以调整和调整模型的超参数，使模型的精度>95。

Job 5

当job4生成成功时，将触发此作业。在调整模型之后，此作业检查模型的准确性是否大于95%。如果它大于95%，那么它将发出通知并发送邮件，否则它将什么也不做。

Job 6

此作业将使用Poll SCM触发，它将在容器停止时进行检查，然后通过触发job2重新启动容器，否则不执行任何操作。

至此，所有的任务创建完成可以开始使用了

作者：ANKUR DHAKAR

代码地址：https://github.com/A4ANK/Integrating-DevOps-with-ML