跳转到主要内容

​
何时使用 Python API

API 为您提供构建自定义应用程序的完整程序化控制。

​
最适合

  • 自定义应用程序 - 构建您自己的工具
  • 复杂工作流程 - 多步骤管道
  • 动态配置 - 即时调整
  • 集成 - 与现有代码连接
  • 生产系统 - 作为服务部署

​
外观

编写 Python 代码： 
from aitraining import TextClassification

trainer = TextClassification(
    model="bert-base-uncased",
    learning_rate=2e-5
)

trainer.train(data)
predictions = trainer.predict(texts)

​
工作流程示例

import pandas as pd
from aitraining import AutoTrainer

# 自定义预处理
data = pd.read_csv("raw_data.csv")
data = clean_and_prepare(data)

# 动态配置
config = {
    "model": get_best_model(data),
    "batch_size": calculate_batch_size(),
    "epochs": 5 if len(data) > 1000 else 10
}

# 使用回调训练
trainer = AutoTrainer(**config)
trainer.train(
    data,
    callbacks=[
        early_stopping,
        checkpoint_best,
        log_to_wandb
    ]
)

# 集成到应用程序
@app.route("/predict")
def predict():
    result = trainer.predict(request.json)
    return jsonify(result)

​
优势

  • 完全控制 - 访问一切
  • 自定义逻辑 - 您的预处理
  • 集成 - 与任何 Python 库一起工作
  • 动态 - 根据条件调整
  • 可测试 - 单元测试您的训练

​
限制

  • 更多代码 - 您编写编排
  • 复杂性 - 自己处理错误
  • 仅 Python - 不是语言无关的
  • 依赖项 - 管理软件包

​
何时切换

当您需要以下功能时使用 CLI：
  • 需要简单自动化
  • 想要语言无关的解决方案
  • 更喜欢配置而不是代码
  • 使用非 Python 工具
当您需要以下功能时使用 UI：
  • 需要视觉反馈
  • 教授他人
  • 快速实验
  • 数据探索

​
常见用例

​
Web 服务

from flask import Flask
from aitraining import load_model

app = Flask(__name__)
model = load_model("./trained_model")

@app.route("/api/classify", methods=["POST"])
def classify():
    text = request.json["text"]
    result = model.predict(text)
    return {"label": result}

​
数据管道

def training_pipeline(df):
    # 自定义清理
    df = remove_outliers(df)
    df = normalize_features(df)

    # 条件训练
    if df.shape[0] > 10000:
        model = "large-model"
    else:
        model = "small-model"

    # 训练
    trainer = AutoTrainer(model=model)
    trainer.train(df)

    return trainer

​
A/B 测试

models = {}

# 训练变体
for config in experiments:
    trainer = create_trainer(config)
    trainer.train(data)
    models[config.name] = trainer

# 比较
results = evaluate_all(models, test_data)
best = select_best(results)

​
自定义回调

class CustomCallback:
    def on_epoch_end(self, epoch, logs):
        if logs["loss"] < self.threshold:
            send_notification("Training going well!")

        if should_adjust_lr(logs):
            self.trainer.learning_rate *= 0.5

trainer.train(data, callbacks=[CustomCallback()])

​
API 用户提示

  1. 处理异常 - 训练可能失败
  2. 添加日志 - 跟踪发生的情况
  3. 使用类型提示 - 及早捕获错误
  4. 编写测试 - 确保可靠性
  5. 记录代码 - 其他人会使用它

​
API 独有功能

只有 API 可以做的事情：
  • 训练期间的自定义回调
  • 动态模型选择
  • 复杂数据管道
  • 嵌入在应用程序中
  • 程序化超参数调整

​
基本模式

# 资源的上下文管理器
with AITraining() as trainer:
    trainer.train(data)
    # 自动清理

# 异步训练
async def train_async():
    await trainer.train_async(data)

# 流式预测
for prediction in trainer.predict_stream(texts):
    process(prediction)

# 模型组合
ensemble = Ensemble([
    model1,
    model2,
    model3
])

​
集成示例

# 与 pandas
df = pd.read_csv("data.csv")
trainer.train(df)

# 与 scikit-learn
from sklearn.model_selection import train_test_split
X_train, X_test = train_test_split(data)

# 与 weights & biases
import wandb
wandb.init(project="my-training")
trainer.train(data, callbacks=[WandbCallback()])

# 与 FastAPI
@app.post("/train")
async def train_endpoint(data: TrainingData):
    result = await trainer.train_async(data)
    return {"model_id": result.id}

​
下一步

API 参考

完整的 API 文档

CLI 替代方案

何时命令更简单