标签：comment body GitHub name 推理 Actions github reply issue
GitHub Actions 是一个用于构建、测试和部署的自动化工具。举个例子快速了解下它是什么：每次你创建一个 Pull Request（带有某个标签）时，都会触发新的应用程序构建，然后它可以向高级开发人员发送消息，让他们快速查看代码。
项目地址：
https://github.com/gaborvecsei/Machine-Learning-Inference-With-GitHub-Actions
我们将创建什么？
在存储库上创建一个自定义操作和自动化工作流，你可以在其中使用经过训练的模型，并在某个问题有了新评论时触发它。你还可以找到模型训练和推理代码。我想要超级硬核，所以我选择了 Iris 数据集和随机森林分类器。这个树集成模型经过训练，可以根据萼片和花瓣的长度和宽度来识别花朵。
这个模型的训练是在 Jupyter Notebook 上完成的。这些代码训练并序列化我们将用于预测的模型。当问题收到评论时，GitHub Actions 工作流将被触发。如果评论包含前缀 /predict，那么我们就开始解析评论，然后我们做一个预测并构造一个回复。最后一步，该消息由机器人在相同的问题下发回给用户。为了把事情做得更好，整个自定义操作将在 Docker 容器中运行。
我们将找出工作流中的步骤，并为某些步骤创建单独的操作。一个工作流可以包含多个操作，但是在这个项目中，我们将使用单个操作。
创建一个操作
第一步，我们应该在名为 action.yaml 的根文件夹中创建操作。在这里，我们可以描述 inputs、outputs 和运行环境。
name: 'Prediction GitHub Action Test'
description: 'This is a sample with which you can run inference on a ML model with a toy dataset'
inputs:
issue_comment_body:
required: true
description: 'This is the Github issue comment message'
issue_number:
required: true
description: 'Number of the Github issue'
issue_user:
required: true
description: 'This user send the comment'
outputs:
issue_comment_reply:
description: 'Reply to the request'
runs:
using: 'docker'
image: 'Dockerfile'
args:
- ${{ inputs.issue_comment_body }}
- ${{ inputs.issue_number }}
- ${{ inputs.issue_user }}
从上到下，你可以看到定义好的 3 个输入和 1 个输出。最后，runs 键描述了我们的代码将要在其中运行的环境。这是一个 Docker 容器，其输入将作为参数传入。因此，容器的入口点应该按照定义的顺序接受这 3 个参数。
容 器
如果我们仔细查看 Dockerfile，就可以看到我们的运行环境是如何构建的。首先，我们安装所有 Python 需要的东西。然后复制 entrypoint.sh 并使其可执行，这样它就可以在容器内运行了。最后，序列化的 sklearn 模型文件被复制到容器中，这样，我们就可以使用它来进行预测。（在真实的场景中，不应该将模型文件存储在存储库中。这只是为了可以快速演示。）
FROM python:3.6
# Install python requirements
COPY requirements.txt /requirements.txt
RUN pip install -r /requirements.txt
# Setup Docker entrypoint script
COPY entrypoint.sh /entrypoint.sh
RUN chmod +x /entrypoint.sh
# Copy the trained model
COPY random_forest_model.pkl /random_forest_model.pkl
ENTRYPOINT ["/entrypoint.sh"]
定义工作流
没有工作流就不能使用操作。它定义了你希望在管道中采取的不同步骤。
name: Demo
on: [issue_comment]
jobs:
my_first_job:
runs-on: ubuntu-latest
name: Just a simple demo job
steps:
- name: Checkout
uses: actions/checkout@master
- name: See full payload (for debugging)
env:
PAYLOAD: ${{ toJSON(github.event) }}
run: echo "FULL PAYLOAD:\n${PAYLOAD}\n"
- name: Run the container and make a prediction
if: startsWith(github.event.comment.body, '/predict')
uses: ./
id: make_prediction
with:
issue_comment_body: ${{ github.event.comment.body }}
issue_number: ${{ github.event.issue.number }}
issue_user: ${{ github.event.comment.user.login }}
- name: Print the output from the container(for debugging)
run: echo "The reply message is ${{steps.make_prediction.outputs.issue_comment_reply}}"
- name: Send reply to issue for user
env:
GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}
run: bash issue_comment.sh "steps.makeprediction.outputs.issuecommentreply""{{ github.event.issue.number }}"
首先，on: [issue_comment] 定义了我希望在接收到某个问题的评论（任何人提出的任何问题）时触发这个流。然后，我通过 runs-on: ubuntu-latest 定义了运行的 VM 类型（它可以是自托管的，也可以是由 GitHub 提供的）。接下来是有趣的部分，我之前提到的步骤。
- 签出步骤：在这个步骤中，我们将移到存储库中所需的分支上（这也是一个 github 操作）。
- 查看有效负载：我在这里把它用于调试。在问题下收到评论后，它显示整个有效负载，包括这个容器、评论、问题编号、留下评论的用户等等。
- 做出预测：这是我们的自定义动作。代码行 if: startsWith(github.event.comment.body,'/predict') 确保只有在出现有效的预测请求时才运行这个步骤（包含前缀 /predict）。你可以看到，输入是在 with 关键字下定义的，而值是通过它们的键（如 github.event.comment.body）从负载中添加的。
- 打印应答：构造的应答被回显到日志。它使用前面的步骤中定义的输出：steps.make_prediction.output .issue_comment_reply。
- 发送应答：创建的应答中包含预测，将使用脚本 issue_comments .sh 作为应答发送。
每个步骤都在指定的运行器 ubuntu-latest 上运行，但是我们的操作在创建的容器中运行。此容器是在工作流被触发时构建的。（我本来可以缓存它，这样每次流运行时就可以使用以前构建的映像，但是我还是懒得将它添加到这个示例中）。
做出预测
有一件事我没有谈到：预测是如何做出的？你可以通过查看 main.py 脚本轻松地解决这个问题。model = load_model("/random_forest_model.pkl")
try:
sepal_length, sepal_width, petal_length, petal_width = parse_comment_input(args.issue_comment_body)
predicted_class_id = make_prediction(model, sepal_length, sepal_width, petal_length, petal_width)
predicted_class_name = map_class_id_to_name(predicted_class_id)
reply_message = f"Hey @{args.issue_user}!<br>This was your input: {args.issue_comment_body}.<br>The prediction: **{predicted_class_name}**"
except Exception as e:
reply_message = f"Hey @{args.issue_user}! There was a problem with your input. The error: {e}"
print(f"::set-output name=issue_comment_reply::{reply_message}")
看到上面的内容，可能你就会觉得这太简单了：输入、数据集、模型、模式存储、如何处理请求等等。例如，对于图像输入，你可以从一个 base64 字符串解码，然后通过存储在 GitLFS 中的深度学习模型运行它。那么，就动手实际操作下吧。
标签：comment,body,GitHub,name,推理,Actions,github,reply,issue 来源： https://blog.51cto.com/15060462/2675558
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。