11、机器学习模型的持续集成与部署实践

机器学习模型的持续集成与部署实践

在深入探讨机器学习模型的持续集成和持续部署（CI/CD）之前，先将当前工作成果提交到源代码库是一个很好的实践。以下是检查点进度的步骤：
1. 使用 Cloud9 工作区中的终端，运行以下命令将所做的更改添加到工作目录：

$ cd ~/environment/abalone-cicd-pipeline/
$ git add -A

2. 运行以下命令将这些更改提交到存储库历史记录：

$ git commit -m "Checkpoint"

3. 最后，运行以下命令将更改推送到源代码库：

$ git push --set-upstream origin main

CI/CD 过程是缩小构建生产级机器学习模型与将模型投入生产之间差距的一种方法。借助这种方法，机器学习从业者并非简单地将训练好的模型交给平台团队，而是将模型工件集成到整个过程中。通过引入和设置 AWS CDK 项目，我们建立了对过程进行编码的模式，展示了工程团队如何将训练好的模型部署为 SageMaker 托管端点 CDK 构造，还构建了将模型训练和评估程序自动集成到过程中的基本机制。

技术要求

本文将使用以下资源：
- 网络浏览器（建议使用 Chrome 或 Fire