DVC节点
综述
DVC(Data Version Control) 是一个MLops领域一个优秀的开机器学习版本管理系统。
DVC 组件用于在DS上使用DVC的数据版本管理功能,帮助用户简易地进行数据的版本管理。组件提供如下三个功能:
- Init DVC: 将git仓库初始化为DVC仓库,并绑定存储数据的地址用于存储实际的数据。
- Upload: 将特定数据添加或者更新到仓库中,并记录版本号。
- Download: 从仓库中下载特定版本的数据。
创建任务
- 点击项目管理-项目名称-工作流定义,点击“创建工作流”按钮,进入 DAG 编辑页面;
- 拖动工具栏的 任务节点到画板中。
任务样例
- 默认参数说明请参考DolphinScheduler任务参数附录
默认任务参数
一栏。
任务参数 | 描述 |
---|---|
DVC任务类型 | 可以选择 Upload、Download、Init DVC |
DVC仓库 | 任务执行时关联的仓库地址 |
Init DVC
将git仓库初始化为DVC仓库, 并绑定数据储存的地方。
项目初始化后,仍然为git仓库,不过添加了DVC的特性。
实际上数据并不保存在git仓库,而是存储在另外的地方,DVC会跟踪数据的版本和地址,并处理好这个关系。
任务参数
- 数据存储地址 :实际的数据保存的地址,支持的类型可见 DVC supported storage types 。
如上述例子表示: 将仓库 git@github.com:<YOUR-NAME-OR-ORG>/dvc-data-repository-example.git
初始化为DVC项目,并绑定远程储存地址为 ~/dvc
Upload
用于上传和更新数据,并记录版本号。
任务参数
- DVC仓库中的数据路径 :上传的数据保存到仓库的地址。
- Worker中数据路径 :需要上传的数据的地址。
- 数据版本 :上传数据后,为该版本数据打上的版本号,会保存到 git tag 里面。
- 数据版本信息 :本次上传需要备注的信息。
如上述例子表示: 将数据 /home/data/iris
上传到仓库 git@github.com:<YOUR-NAME-OR-ORG>/dvc-data-repository-example.git
的根目录下,数据的文件/文件夹名字为iris
。 然后执行 git tag "iris_1.0" -m "init iris data"
。 记录版本号 iris_1.0
和 版本信息 ‘inir iris data’
Download
用于下载特定版本的数据。
任务参数
- DVC仓库中的数据路径 :需要下载数据在仓库中的路径。
- Worker中数据路径 :数据下载到本地后的保存地址。
- 数据版本 :需要下载的数据的版本。
如上述例子表示: 将仓库 git@github.com:xxxx/dvc-data-repository-example.git
版本为 iris_1.0
的 iris 的数据下载到 ~/dvc_test/iris
环境准备
dvc 安装
确保你已经安装DVC可以使用pip install dvc
进行安装。
获取dvc地址, 并配置环境变量
下面以 conda 上的 python pip 安装为例子,配置 conda 的环境变量,使得组件能正确找到dvc
命令
which dvc
# >> ~/anaconda3/bin/dvc
你需要进入admin账户配置一个conda环境变量(请提前安装anaconda 或者安装miniconda )。
后续注意配置任务时,环境选择上面创建的conda环境,否则程序会找不到conda环境。