neptune-client

项目介绍：neptune-client

Neptune 是一个专为团队设计的高扩展性实验跟踪工具，它可以帮助训练基础模型的团队更好地管理他们的工作流。在模型训练过程中，不同的实验可能涉及到成千上万次的运行，Neptune 能够快速地记录、查看和比较这些运行，并让用户轻松地监控和可视化长时间、多步骤的模型训练。

主要功能

记录和展示

Neptune 可以集成到任何机器学习流水线中，并支持 Fastai、PyTorch、TensorFlow/Keras、scikit-learn 等多种框架。用户只需在代码中插入一段跟踪代码，即可记录任何形式的元数据，如指标、参数、数据集和模型版本、图片、交互式图表、视频，以及硬件状态（GPU、CPU、内存）。不论是在线数据还是离线数据都能同步。

组织实验

Neptune 提供灵活的 API，允许用户根据需求自定义记录元数据的结构，可以根据参数配置或 k 折验证的结果来组织实验数据。此外，Neptune 支持自定义仪表盘和表格视图，用于查看不同元数据类型，并用于调试训练速度或模型质量。

比较结果

在 Neptune 的 web app 中，用户实时查看训练情况，通过不同参数和配置的影响来优化模型。它支持按学习曲线、参数、图像和数据集进行比较，并可通过查询语言来过滤和排序实验。

版本模型

Neptune 提供模型版本控制，用户可以在一个地方查看、分享生产就绪的模型及其相关的元数据。

共享结果

整个团队可以通过 Neptune 的 API 访问所有模型和实验的元数据，用户还可以发送链接分享图表、仪表盘和表格视图，这使得每个团队成员都能较好地参与到项目中。

简易上手

用户可以通过以下步骤快速上手：

1. 创建一个 免费账户
2. 安装 Neptune 客户端库

   pip install neptune

3. 添加实验跟踪代码片段到你的代码中：

   import neptune
   
   run = neptune.init_run(project="workspace-name/project-name")
   run["parameters"] = {"lr": 0.1, "dropout": 0.4}
   run["test_accuracy"] = 0.84

与 MLOps 堆栈集成

Neptune 支持与超过 25 种框架的集成，比如 PyTorch、LightNG、TensorFlow/Keras、XGBoost 等。用户可以轻松地将其集成到现有的 MLOps 工作流中，获取更强大的实验跟踪能力。

支持与用户反馈

如果用户在使用中遇到任何问题，可以通过 Neptune 的 FAQ 页面获取帮助，或者访问他们的 资源中心。此外，用户也可以通过应用内聊天功能或发送电子邮件至 support@neptune.ai 与 Neptune 团队取得联系。

背后的团队

Neptune 是由 neptune.ai 团队 创造的，他们致力于通过创新来帮助科研人员和企业提高工作效率。