10周MLOps完整路径：从训练到生产模型部署
【免费下载链接】MLOps-Basics项目地址: https://gitcode.com/GitHub_Trending/ml/MLOps-Basics
模型在笔记本上跑得好好的，loss一路往下掉。一推到生产环境，报错扑面而来。依赖缺失，模型文件找不到，配置文件散了一地。
MLOps-Basics 是个教程仓库。它用 10 周走完模型部署的全路径，从一条训练脚本走到生产级在线服务，每周都有可运行的代码目录。
它帮你省掉哪些坑 🕳
模型文件几百 MB，git 塞不下，想回看上一版又没处找。项目把大文件交给 DVC：代码走 git，模型进远程存储，每次训练都有版本号。
调了参数重训，三天后想不起哪组配置出过那个好结果。W&B 记录参数、指标和图表，Hydra 把配置拆成 yaml，复现实验一条命令的事。
自己机器上能跑，换个人拉仓库就跑不动，你开始远程修环境。交给 Docker 就行：模型和依赖打进一个镜像，CI 自动构建，不用手工修环境。
10周怎么走完
10 周拆成 3 个阶段：搭地基、跑通管线、交付上线。
搭地基：让模型能训、能复现（第 0-2 周）
- week_0_project_setup：用 PyTorch Lightning 搭好数据、模型、训练和推理，得到能训能推的基线项目。
- week_1_wandb_logging：把参数、loss 曲线、混淆矩阵记进 W&B，拿到任意一次运行的复现能力。
- week_2_hydra_config：参数拆进 yaml 文件，改超参不再碰代码。
训练能跑能复现之后，下一个麻烦是资产：模型、数据、配置都在变，没版本管理，回滚一天都够呛。
跑通管线：管住资产、包装模型（第 3-4 周）
- week_3_dvc：模型和数据纳入 DVC 跟踪，每次训练产物可追溯。
- week_4_onnx：训练好的模型转成 ONNX，推理不再被 PyTorch 运行时绑死。
模型包装好、版本化之后，最后一跃是上线：放进云端，给真实用户用，还不能挂。
交付上线：从容器化到线上监控（第 5-9 周）
- week_5_docker：FastAPI 推理接口加 Dockerfile，得到能直接跑的服务镜像。
- week_6_github_actions：搭一条 CI/CD 流水线，推送代码自动构建测试。
- week_7_ecr：镜像进 ECR，模型进 S3，云端资产就位。
- week_8_serverless：部署到 Lambda 加 API Gateway，推理接口随请求弹性伸缩。
- week_9_monitoring：搭 Kibana 仪表盘，线上预测实时可查。
工具链怎么串起来的 🛠
数据端，HuggingFace Datasets 拉取分类数据集，DVC 管数据和模型版本，大文件落在 S3。git 只留代码和小配置，仓库保持轻。
训练端，PyTorch Lightning 跑训练循环，W&B 记参数和指标，Hydra 让你换一套配置就能跑一组新参数。每次运行都能复现。
部署端，ONNX 先把模型从训练框架里解放出来，Docker 把模型加依赖打成镜像，GitHub Actions 推送即自动构建，ECR 负责存储，Lambda 加 API Gateway 把它变成一个可访问的接口。
监控端，Lambda 的日志写进 CloudWatch，再流到 Elasticsearch，Kibana 之上拼出实时仪表盘。预测异常和数据漂移，能先被人看见。
动手前先看这 3 条
- 先把 week_0 跑起来。建个 Python 3.8 环境，装依赖，
python train.py直到出 checkpoint。后面每周都叠在这个目录上，基线不稳，后面全是空中楼阁。仓库先 clone 下来：git clone https://gitcode.com/GitHub_Trending/ml/MLOps-Basics - 账号提前注册。W&B、云账号、AWS 访问密钥，第 1 周之前就备齐。放到课程中段再补，卡住的地方很难续上节奏。
- 按目录顺序走，别跳步。每周代码就是上一周加一个新模块，改动不大但依赖真实存在，跳了你就找不到问题出在哪。
学完你能独立交付什么
10 周走完，你能交出一套完整的线上机器学习服务，而不是一堆脚本。上游是一条可复现的训练管线：配置在 yaml，实验参数在 W&B，模型版本在 DVC。下游是全自动的交付链路：推送代码触发构建，镜像进 ECR，生产里的 Lambda 服务自动更新。
你解决的问题都是实打实的：环境不一致、版本对不上、上线靠人肉、线上出事没预警。每个问题在这个仓库里都有对应的解法，最后这套东西可以真的交给用户使用。
打开 week_0 目录，先让模型跑起来再说，剩下的事交给后面 9 周。
【免费下载链接】MLOps-Basics项目地址: https://gitcode.com/GitHub_Trending/ml/MLOps-Basics
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
