Często zdarza się, że nasz plik docker compose jest spory i składa się z różnych serwisów. Niektóre z nich mogą być serwerami aplikacji, a niektóre tylko narzędziami pomocnymi. W takich sytuacjach często pojawia się potrzeba uruchomienia pojedynczego lub też części z zdefiniowanych serwisów (nie wszystkich). Przykładowo: Docker Compose run Aby uruchomić serwis backend użyjemy: A …
Docker Compose – jak uruchamiać wybrane serwisy? Czytaj dalej »
Ciekawą opcją jest kopiowanie danych z kontenera bądź to w trakcie jego działa lub też po jego zatrzymaniu: Oczywiście możliwe jest też kopiowanie całych katalogów: Warto zajrzeć 1. https://docs.docker.com/engine/reference/commandline/cp/
Docker Compose to super narzędzie, jeśli nasze konfiguracje kontenerów zaczynają się rozrastać. Jeśli chcemy aby nasz kontener był uruchomiony w danej sieci, był podpięty pod wolumeny to całe polecenie zaczyna się rozrastać. Najgorsze jest to, że trzeba takie komendy gdzie trzymać… I tutaj z pomocą przychodzi Docker Compose jako sposób na przechowywanie całej tej konfiguracji. …
Potokiem nazywamy zgrupowane ze sobą akcje podejmowane w celu przygotowania modelu. Przykładowo:
Hiperparametram dotyczy algorytmu uczącego model i jest to na przykład poziom regularyzacji. Parametrami modelu będą wskaźniki, których się wyuczył. Przykładowo dla regresji liniowej, będą to parametry a i b:
Zastanawiające jest to, jak przykładowo ChatGPT był w stanie nauczyć się tak ogromnej ilości informacji. Szczególnie z uwagi na fakt, że niemożliwym by było umieszczenie całego (lub nawet jakiejś większej części) Internetu w pamięci. Rozwiązaniem są tutaj algorytmy pozakorowe (out-of-core learning), które pozwalają na naukę z małych porcji danych (wykorzystując przy tym uczenie przyrostowe). Uczenie …
Jest to celowe uproszczenie modelu w celu uniknięcia przetrenowania. W zależności od algorytmu stosowane są inne sposoby regularyzacji. Często potocznie regularyzacja jest nazywana karaniem (penalizing) algorytmu. Wczesne zatrzymanie Ten sposób regularyzacji dotyczy wszystkich algorytmów. Polega on na odpowiednim doborze czasu uczenia modelu. Najczęściej im dłużej model się uczy, tym jest on coraz bardziej przetrenowany. Stąd …
Na wstępie pragnę zauważyć, że uczenie z przykładów (instance-based learning) jest trafioną nazwą. Lecz uczenie z modelu (model-based learning) nie jest dobrze dobraną nazwą. Stąd opisując drugie, będę używał sformułowania uczenie się reguł. Uczenie się przykładów (na blachę) Model próbuje nauczyć się (czasami są one zapisywane za pomocą wektorów) jak największej ilości przykładów a następnie …
Uczenie wsadowe (batch learning/offline learning) jest to sytuacja, w której model uczymy raz i później wrzucamy ten model „na produkcję”. W ramach potrzeby przeuczenia modelu, uczony jest on od początku na danych, które już istniały oraz na nowych danych. Niestety wymaga to przechowywania wszystkich danych uczących i ich dalszego gromadzenia. A co gorsze każdorazowego uczenia …
Okazuje się, że nie zawsze człowiek musi nadzorować algorytmy uczące się 🙂 W tym wpisie zwięźle opiszę uczenie nadzorowane, nienadzorowane, półnadzorowane oraz uczenie przez wzmacnianie. Uczenie nadzorowane (supervised learning) Człowiek tutaj w pełni nadzoruje uczenie modelu – wszystkie przykłady dostarczane modelowi są oznaczone – posiadają etykiety (labels): komentarz pozytywny/negatywny (etykieta) To jest świetny produkt, każdy …
