f

franztao

V1

2022/12/03阅读:14主题:默认主题

命令行界面 (CLI) 应用程序

使用命令行界面 (CLI) 应用程序来组织应用程序的进程。

Intuition

当模型要提供服务时,需要考虑将应用程序的功能公开给自己、团队成员以及最终最终使用用户。实现这一点的接口会有所不同。回想一下Organization lesson,通过终端和 Python 解释器执行main operations

from tagifai import main
main.elt_data()

main.py或者替代方法是在文件中显式调用的操作:

# tagifai/main.py
if __name__ == "__main__":
    elt_data()

这变得非常低效,不得不一次次深入研究代码并执行一个函数。一种解决方案是构建一个允许在操作级别进行交互的命令行界面 (CLI) 应用程序。它的设计应该使可以查看所有可能的操作(及其所需的参数)并从 shell 执行它们。

应用

将使用Typer创建 CLI :

# Add to requirements.txt
typer==0.4.1

就像初始化应用程序然后将适当的装饰器添加到希望在 CLI 命令中使用的每个函数操作一样简单main.py

# tagifai/main.py
import typer
app = typer.Typer()
@app.command()
def elt_data():
    ...

将对要通过 CLI 访问的所有其他功能重复相同的操作:elt_data()train_model()optimize()predict_tag()。将使其所有参数都是可选的,以便可以在 bash 命令中明确定义它们。例如,将成为.def train_model(args_fp: str, ...):``def train_model(args_fp: str = "config/args.json", ...):

查看tagifai/main.py函数头

@app.command()
def elt_data():
    ...


@app.command()
def train_model(
    args_fp: str = "config/args.json",
    experiment_name: str = "baselines",
    run_name: str = "sgd",
    test_run: bool = False,
) -> None:
    ...


@app.command()
def optimize(
    args_fp: str = "config/args.json",
    study_name: str = "optimization",
    num_trials: int = 20
) -> None:
    ...

@app.command()
def predict_tag(text: str = "", run_id: str = None) -> None:
    ...

命令

要使用 CLI 应用程序,可以首先查看可用的命令,这要归功于添加到想要向 CLI 公开的某些功能中的装饰器:

python tagifai/main.py --help

Typer 还附带一个名为typer-cli的实用工具,但与其他库存在一些依赖冲突,因此不会使用它。

Usage: main.py [OPTIONS] COMMAND [ARGS]...

Options:
  --help       Show this message and exit.

Commands:
  elt-data     Extract, load and transform data.
  label-data   Label data using constraints.
  optimize     Optimize hyperparameters.
  predict-tag  Predict tag for text.
  train-model  Train a model given arguments.

Arguments

使用 Typer,函数的输入参数会自动呈现为命令行选项。例如,predict_tags函数text使用一个可选run_id的作为输入,它们自动成为predict-tagsCLI 命令的参数。

@app.command()
def predict_tag(text: str = "", run_id: str = None) -> None:
    """Predict tag for text.

    Args:
        text (str): input text to predict label for.
        run_id (str, optional): run id to load artifacts for prediction. Defaults to None.
    "
""
    if not run_id:
        run_id = open(Path(config.CONFIG_DIR, "run_id.txt")).read()
    artifacts = load_artifacts(run_id=run_id)
    prediction = predict.predict(texts=[text], artifacts=artifacts)
    logger.info(json.dumps(prediction, indent=2))
    return prediction

但是也可以就这个特定的命令寻求帮助,而无需进入代码:

python tagifai/main.py predict-tag --help
Usage: main.py predict-tag [OPTIONS]

  Predict tag for text.

  Args:
    text (str): input text to predict label for.
    run_id (str, optional): run id to load artifacts for prediction. Defaults to None.

Options:
  --text TEXT
  --run-id TEXT
  --help         Show this message and exit.

用法

最后,可以使用所有参数执行特定命令:

python tagifai/main.py predict-tag --text="Transfer learning with transformers for text classification."
[
    {
        "input_text""Transfer learning with transformers for text classification.",
        "predicted_tag""natural-language-processing"
    }
]

更多干货,第一时间更新在以下微信公众号:

您的一点点支持,是我后续更多的创造和贡献

本文主体源自以下链接:

@article{madewithml,
    author       = {Goku Mohandas},
    title        = { Made With ML },
    howpublished = {\url{https://madewithml.com/}},
    year         = {2022}
}

分类:

人工智能

标签:

人工智能

作者介绍

f
franztao
V1