Forum Replies Created
- Posts
Que bom que conseguiu resolver Hugo! Esses problemas costumam ser difíceis de resolver a distância porque podem ser algum problema no ambiente local, e às vezes se resolvem sozinhos conforme os mantenedores das bibliotecas atualizam os requerimentos. De qualquer forma, se o problema persistir, vamos publicar uma correção. Obrigado!
Olá Juliano,
Infelizmente encontrar a causa deste problema exigiria um debug detalhado. Pela sua descrição, parece que o MLflow não está encontrando o modelo com a tag
latest, mas esta tag é adicionada automaticamente ao último modelo registrado. O mais provável é mesmo que tenha faltado executar alguma parte. Minha recomendação é reexecutar pelo menos os passos críticos do projeto.Olá Juliano,
Recomendo não alterar as versões das bibliotecas, porque isto pode quebrar outras funcionalidades.
A mensagem de erro não é muito informativa, mas o código 404 quer dizer que o recurso não foi encontrado. Então, é possível que você não tenha rodado o código para treinar e registrar os artefatos via MLflow. Verifique se o modelo treinado existe no servidor do MLflow (local ou remoto).
Pode ser alguma configuração mas eu não saberia te dizer com certeza. Infelizmente é difícil resolver sem ficar testando. Nessas situações, eu sempre peço ajuda ao ChatGPT. Na pior das hipóteses, você vai precisar entrar com os comandos manualmente.
Olá Luan,
Acabo de publicar a atualização, mas já devo adiantar que não está sendo possível executar o notebook com GPU, por um possível bug na versão atual do TensorFlow. Entretanto, se você pular o treinamento, conseguirá seguir o raciocínio até o final.
Olá Jardel,
Na criação e evolução do projeto ao longo do curso, nós só trabalhamos com a branch
mainmesmo, apenas no repositório base nós dividimos em branches diferentes para facilitar o acesso ao código no final de cada sessão do curso. Mas se você quiser evoluir seu projeto em branches separadas, é possível criar uma branch e mudar para ela comgit chechout -B <nome-da-branch>no terminal.Olá Jardel,
Sim, o modelo deve ser registrado e versionado antes, nós tratamos disso na sessão MLflow > Registro de artefatos.
Olá Jardel,
É difícil em um curso generalista tratar de todas as aplicações possíveis, cada qual com suas especificidades, mas perceba que todas as sessões tratam primeiro de execução local, só no final nós falamos em repositórios remotos, e ainda assim não é execução em si, apenas repositório de histórico de dados, arquivos e imagens Docker. A execução toda é local, e você pode utilizar a mesma estrutura (um app que executa suas operações, empacotado em um container Docker).
Beleza Jardel! Depende da sessão do curso em que você está, por exemplo eu vi que a mensagem printou:
Initialized MLflow to track repo “dennymarcels/mlops_project”
Este é o meu repositório, na sessão apropriada o curso indica como atualizar para utilizar o seu próprio repositório via variável de ambiente.
Olá Luan,
Eu já atualizei o notebook para não depender mais da biblioteca BERT-FOR-TF, que não tem mais suporte nas versões mais recentes do Python, você vai encontrar a nova versão no mesmo link do notebook do Google Colab.
Olá Helio,
A função
np.splité usada para dividir arrays em sub-arrays. O parâmetroindices_or_sectionsdefine como essa divisão será feita. Quando seu valor é uma lista de índices, a função divide o array nos pontos indicados.No exemplo citado:
np.split(ary=array_2d_0, indices_or_sections=[2, 3], axis=1)
array_2d_0é o array original.
axis=1indica que a divisão será feita ao longo das colunas.
[2, 3]significa que o array será dividido antes da coluna 2 e antes da coluna 3.Então, dado:
array_2d_0 = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])Aplicando a função, o resultado será:
[ array([[1, 2], [5, 6]]), array([[3], [7]]), array([[4], [8]]) ]Ou seja, o array foi dividido em três partes:
Colunas 0 a 1 (antes da coluna 2)
Coluna 2 (antes da coluna 3, neste caso entre coluna 2 e coluna 3)
Coluna 3 (restante, depois da coluna 3)Espero que tenha ficado mais claro!
Olá Ivon,
Atualmente, você pode usar só
pip install tensorflowmesmo, o suporte a GPU é integrado. Inclusive pode usar a versão 2.18 já presente no ambiente.Olá César,
Pode sim, mas conforme as aplicações vão ficando mais complexas, o mais comum é ir modularizando, por exemplo cria um módulo apenas para tratar pdf e outro para tratar csv, e dentro coloca os scripts de processamento de pdf e csv. Aí o aplicativo em si importa esses módulos para servir através do endpoint. É um assunto mais complexo que ainda não temos um curso sobre, mas o caminho é esse.
