معرفی شرکت ها


easymaker-1.0.9


Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

AI EasyMaker SDK for Python.
ویژگی مقدار
سیستم عامل -
نام فایل easymaker-1.0.9
نام easymaker
نسخه کتابخانه 1.0.9
نگهدارنده []
ایمیل نگهدارنده []
نویسنده NHN Cloud AI EasyMaker Services
ایمیل نویسنده -
آدرس صفحه اصلی https://www.toast.com
آدرس اینترنتی https://pypi.org/project/easymaker/
مجوز Apache License 2.0
# NHN AI EasyMaker SDK ``` # Initialize EasyMaker SDK import easymaker easymaker.init( appkey='EASYMAKER_APPKEY', region='kr1', secret_key='EASYMAKER_SECRET_KEY', ) # NHN Cloud ObjectStorage upload/download easymaker.download( easymaker_obs_uri='obs://api-storage.cloud.toast.com/v1/AUTH_{tenant_id}/{container_name}/{source_dir}', download_dir_path='./source_dir', username='username@nhn.com', password='nhn_object_storage_api_password' ) easymaker.upload( easymaker_obs_uri='obs://api-storage.cloud.toast.com/v1/AUTH_{tenant_id}/{container_name}/{upload_path}', src_dir_path='./local_dir', username='username@nhn.com', password='nhn_object_storage_api_password' ) # Create Experiment experiment_id = easymaker.Experiment().create( experiment_name='experiment_name', experiment_description='experiment_description', # wait=False ) # Create Training training_id = easymaker.Training().run( experiment_id=experiment_id, training_name='training_name', training_description='training_description', train_image_name='Ubuntu 18.04 CPU TensorFlow Training', train_instance_name='m2.c4m8', train_instance_count=1, data_storage_size=300, # minimum size : 300G source_dir_uri='obs://api-storage.cloud.toast.com/v1/AUTH_{tenant_id}/{container_name}/{soucre_download_path}', entry_point='training_start.py', hyperparameter_list=[ { "hyperparameterKey": "epochs", "hyperparameterValue": "10", }, { "hyperparameterKey": "batch-size", "hyperparameterValue": "30", } ], timeout_hours=100, # 1~720 model_upload_uri='obs://api-storage.cloud.toast.com/v1/AUTH_{tenant_id}/{container_name}/{model_upload_path}', check_point_upload_uri='obs://api-storage.cloud.toast.com/v1/AUTH_{tenant_id}/{container_name}/{checkpoint_upload_path}', dataset_list=[ { "datasetName": "train", "dataUri": "obs://api-storage.cloud.toast.com/v1/AUTH_{tenant_id}/{container_name}/{train_data_download_path}" }, { "datasetName": "test", "dataUri": "obs://api-storage.cloud.toast.com/v1/AUTH_{tenant_id}/{container_name}/{test_data_download_path}" } ], tag_list=[ # maximum 10 { "tagKey": "tag_num", "tagValue": "test_tag_1", }, { "tagKey": "tag2", "tagValue": "test_tag_2", } ], use_log=True, # wait=False ) # Create Model model_id = easymaker.Model().create( training_id=training_id, model_name='model_name', model_description='model_description', ) model_id2 = easymaker.Model().create_by_model_uri( framework_code=easymaker.TENSORFLOW, model_uri='obs://api-storage.cloud.toast.com/v1/AUTH_{tenant_id}/{container_name}/{model_upload_path}', model_name='model_name', model_description='model_description', ) # Create Endpoint endpoint = easymaker.Endpoint() endpoint_id = endpoint.create( model_id=model_id, endpoint_name='endpoint_name', endpoint_description='endpoint_description', endpoint_instance_name='c2.c16m16', apigw_resource_uri='/api-path', endpoint_instance_count=1, use_log=True, # wait=False, # autoscaler_enable=True, # default False # autoscaler_min_node_count=1, # autoscaler_max_node_count=10, # autoscaler_scale_down_enable=True, # autoscaler_scale_down_util_threshold=50, # autoscaler_scale_down_unneeded_time=10, # autoscaler_scale_down_delay_after_add=10, ) # Create Endpoint Stage stage_id = endpoint.create_stage( model_id=model_id, stage_name='stage01', stage_description='test endpoint', endpoint_instance_name='c2.c16m16', apigw_resource_uri='/test-api', endpoint_instance_count=1, # wait=False, # autoscaler_enable=True, # default False # autoscaler_min_node_count=1, # autoscaler_max_node_count=10, # autoscaler_scale_down_enable=True, # autoscaler_scale_down_util_threshold=50, # autoscaler_scale_down_unneeded_time=10, # autoscaler_scale_down_delay_after_add=10, ) # Get an endpoint that already exists endpoint = easymaker.Endpoint(endpoint_id) # get endpoint list endpoint_stage_info_list = endpoint.get_endpoint_stage_info_list() # Inference endpoint.predict(json={'instances': [[6.8, 2.8, 4.8, 1.4]]}) endpoint.predict(endpoint_stage_info=endpoint_stage_info_list[1], # If endpoint_stage_info is not set, use the default endpoint json={'instances': [[6.8, 2.8, 4.8, 1.4]]}) # Log (Log & Crash) easymaker_logger = easymaker.logger(logncrash_appkey='log&crash_product_app_key') easymaker_logger.send('test log meassage') # Output to stdout & send log to log&crash product easymaker_logger.send(log_message='log meassage', log_level='INFO', # default: INFO project_version='1.0.0', # default: 1.0.0 parameters={'serviceType': 'EasyMakerSample'}) # Add custom parameters ``` ## CLI Command - instance type list : `python -m easymaker -instance --region kr1 --appkey EM_APPKEY --secret_key EM_SECRET_KEY` - image list : `python -m easymaker -image --region kr1 --appkey EM_APPKEY --secret_key EM_SECRET_KEY` - experiment list : `python -m easymaker -experiment --region kr1 --appkey EM_APPKEY --secret_key EM_SECRET_KEY` - training list : 'python -m easymaker -training --region kr1 --appkey EM_APPKEY --secret_key EM_SECRET_KEY' - model list : 'python -m easymaker -model --region kr1 --appkey EM_APPKEY --secret_key EM_SECRET_KEY' - endpoint list : 'python -m easymaker -endpoint --region kr1 --appkey EM_APPKEY --secret_key EM_SECRET_KEY'


نیازمندی

مقدار نام
~=7.1.1 pytest
~=57.0.0 setuptools
~=2.27.1 requests
~=4.11.3 importlib-metadata
~=1.4.0 argparse
~=5.0.3 docker
~=2022.2.1 pytz


نحوه نصب


نصب پکیج whl easymaker-1.0.9:

    pip install easymaker-1.0.9.whl


نصب پکیج tar.gz easymaker-1.0.9:

    pip install easymaker-1.0.9.tar.gz