Vous trouverez la première version du git où nous avons travaillé durant ce semestre ici : https://github.com/leacamusat/Defi-IA-bedbugs. Ce git présente les contributions de chaque personne du groupe tout au long du semestre ainsi que les différents élements de rendu que vous avez demandés.
Defi-IA-bedbugs /
├─data (jeux de données)
├─ all_our_requests_done.csv
├─ features_hotels.csv
├─ pricing_requests_done.csv
├─ soumission.csv
├─ test_set_cleaned_addedFeatures.csv
├─ test_set.csv
├─dictionnary(poids pour le target et frequency encoding)
├─ children_policy
├─ mobile
├─ parking
├─ pool
├─ target encoding
├─ models (tous les poids des modèles sont enregistrés)
├─ init.py
├─ notebook
├─ Analysis.ipynb
├─ README.md
├─ utilities (toutes les fonctions en .py)
├─ adversarial_validation.py
├─ data_preprocessing.py
├─ Dockerfile
├─ flagged
├─ generation_submission.py
├─ gradio_defiIA.py
├─ models.py
├─ set_path.py
- Avoir au préalable créé une machine virtuelle sur gcloud (instance de VM)
- Aller sur gcloud: https://console.cloud.google.com/compute/instances
- Activer votre instance gcloud
- Dans SSH > afficher la commande gcloud puis copier la commande gcloud
- Ouvrir un terminal de commande local sur votre machine
- Coller la commande gloud préalablement copiée et la collée dans un terminal en local. Ceci ouvre un temrminal gcloud à distance, ce qui vous permettra de navigueur sur votre machine gcloud à distance.
- Ouvrir le terminal gcloud à distance et suivre les instructions suivantes.
Note: Ne pas oublier de désactiver la machine virtuelle gcloud à la fin des manipulations.
-
Télécharger le git sur votre machine (sur instance de VM ou sur l'ordinateur personel):
git clone https://github.com/LilaR66/Defi-IA-bedbugs -
Se placer dans le dossier Defi-IA-bedbugs:
cd Defi-IA-bedbugs -
Faire un wget pour obtenir les poids d'un modèle déjà entraîné:
wget "https://drive.google.com/uc?export=download&id=1PaO_wYNzTk518w8DC_2XDZdbWhEZQrim" -O ./models/modele_best.savIl s'agit d'un modèle catboost -
Créer une image docker nommée image1:
sudo docker build -t image1 ./utilities -
Créer un conteneur docker nommé conteneur1 avec le volume du git mount à l'intérieur:
sudo docker run -it --name container1 -v "$(pwd)":/mnt image1 -
Vous devez vous trouver dans conteneur1. Placez-vous dans le bons dossier dans conteneur1:
cd mnt/utilities/ -
Il y a à présent 2 possibilités:
7.1) Vous voulez entraîner votre modele puis lancer le gradio:
a) pour obtenir l'aide pour les argument, appeler si besoin:python3 models.py --help
b) appeler:python3 models.py --train 1 --name 0 --dataset "pricing_requests_done.csv" --adversarial 0 --hotelid 1 --name_save "modele_run_docker.sav"
c) utiliser le modèle que vous venez d'apprendre pour lancer le gradio:python3 gradio_defiIA.py --model_name "modele_run_docker.sav"
d) copier le lien public et l'ouvrir dans un navigateur
7.2) Vous voulez utiliser les poids d'un modèle déjà appris et lancer le gradio:
a) utiliser le modèle déjà appris pour lancer le gradio:python3 gradio_defiIA.py --model_name "modele_best.sav"
b) copier le lien public et l'ouvrir dans un navigateur\
- supprimer le container:
sudo docker container rm -f container1 - supprimer l'image :
sudo docker rmi image1 --force
