最佳实践

简而言之 - 自动化一切 :) 从训练模型到数据处理再到部署到生产环境。

开发 - 准备自动化​

基本上，跟踪一切。没有什么是不值得关注的。 如果你担心杂乱，可以使用归档选项，并设置你自己的清理服务。

• 跟踪代码库。没有理由不将指标添加到工作流程中的任何过程中，即使它不直接涉及机器学习。可见性是代码/工作流程迭代改进的关键。
• 创建每个项目的排行榜，基于自定义列（超参数和性能准确度），并对其进行书签标记（完整URL将始终重现相同的视图和表格）。
• 与您的同事和团队领导分享实验。 邀请更多人查看您的项目进展，并建议他们为自己的项目添加指标报告。 这些指标以后可以成为您内部监控解决方案的一部分，不要让好的数据浪费掉 :)

克隆任务​

使用以下选项之一定义一个ClearML任务：

• 使用Task.init()调用运行实际代码。这将在CleaML中创建并自动填充任务（包括Git仓库/Python包/命令行等）。
• 使用clearml-task注册本地/远程代码库。参见详情。

一旦你在ClearML中有了一个任务，你可以在用户界面中克隆并编辑其定义，然后使用ClearML Agent在你的一个节点上启动它。

高级自动化​

• 创建每日/每周的定时任务，用于重新训练表现最佳的模型。
• 创建数据监控和调度，并启动推理作业以测试任何新数据集上的性能。
• 一旦有两个或更多的实验连续运行，将它们分组到一个pipeline中。

管理您的数据​

使用ClearML Data来版本化您的数据，然后将其链接到正在运行的实验中以便于复现。 使数据集与机器无关（即，将原始数据集存储在共享存储位置，例如共享文件夹/S3/Gs/Azure）。 ClearML Data支持高效的数据集存储和缓存，可微分和压缩。

扩展您的工作​

使用 ClearML Agent 来扩展工作。在机器（远程或本地）上安装代理，并使用它管理训练工作负载。

通过透明的资源监控提高团队协作，始终了解什么在何处运行。