要約を行うためのデモサービスを構築します。
下記コマンドで、kubeflowで動作する学習パイプラインのファイル(yaml)を構築する
$ python3 pipeline.py
学習パイプラインで用いるDocker ImageをDocker Hubにアップロードする。
$ cd model_pipeline
$ python3 build_all_componens.py --deploy_type docker_hub
TBD
TBD
ローカル環境で動作するサービスを下記で構築します。
$ make run
Docker Imageを作り直す場合は、下記コマンドでビルドも実施されます。
$ make run-build
※TODO : api_gateway側の立ち上がりが遅い(10秒程度)ため、api_gatewayの立ち上がりをまって、ダッシュボードを利用する必要がある。
下記コマンドで停止が可能です。
$ make stop
下記のローカルマシンのダッシュボードにアクセスして、要約処理を実行してください。
下記のコマンドでテストを実行することが可能.
make test-start
テストの状況は下記コマンドで確認する.
make test-print
テスト終了後にはコンテナを停止させるため、下記コマンドを実行する.
make test-stop
テストコードが存在するコンテナに入って、テストコードを実行する。
※事前にdockerコンテナを全て起動する。
$ docker exec -it <コンテナ名> /bin/bash
$ python3 <テストしたいフォルダ>/test/<テストしたいファイル名>
.envファイルを修正して、利用するDBを変更することが可能。
開発環境の構築手順について記載します。
下記のツールをインストールします.
$ pip install flake8
$ pip install black
vscodeのsettings.jsonに下記を追加します.
"python.analysis.extraPaths": [
"./src/dashboard", "./src/db", "./src/log", "./src/summarizer", "./src/queue_api", "./src/api_gateway",
"./model_pipeline/components/data_generator/src", "./model_pipeline/components/trainer/src"
],
"python.linting.pylintEnabled": false,
"python.linting.flake8Enabled": true,
"python.formatting.provider": "black",
"python.formatting.blackArgs": ["--line-length", "79"],
"editor.formatOnSave": true