Neptune，一个机器学习实验管理的 Python 库！

Neptune - 机器学习实验管理神器

做机器学习项目最烦啥？要我说就是管理各种实验记录。今天跑了一堆模型，改了好多参数，过两天再看咋就不记得哪组参数效果最好了？Neptune 这个工具就是专门解决这个痛点的，它能帮咱们记录、组织和比较各种机器学习实验。

1.

快速上手

装Neptune超简单，pip一下就搞定：

pip install neptune-client

来看看咋用，先导入需要的包：

import neptune

from sklearn.datasets import load_iris

from sklearn.model_selection import train_test_split

from sklearn.ensemble import RandomForestClassifier

# 初始化Neptune，记得换成你自己的项目名

neptune.init(project='用户名/项目名')

# 创建新实验

run = neptune.create_run()

温馨提示：第一次用得先去 Neptune 官网注册个账号，还要创建个项目才行。不过放心，有免费版本够咱们用了。

2.

记录实验参数

Neptune 最牛的地方就是能帮咱们记录各种实验数据：

# 加载数据集

iris = load_iris()

X_train， X_test， y_train， y_test = train_test_split(iris.data， iris.target)

# 设置模型参数

params = {

'n_estimators'： 100，

'max_depth'： 5

}

# 记录参数

run['parameters'] = params

# 训练模型

rf = RandomForestClassifier(**params)

rf.fit(X_train， y_train)

score = rf.score(X_test， y_test)

# 记录结果

run['test_score'] = score

3.

可视化结果

光记录数据没意思，Neptune还能画图：

import matplotlib.pyplot as plt

plt.plot([1， 2， 3， 4]， [score]*4)

plt.title('测试准确率')

# 上传图表

run['visualizations'].upload(plt.gcf())

温馨提示：记得及时关闭实验，不然会一直记录：

run.stop()

4.

项目管理小技巧

给实验加个标签和描述，后面找起来就方便多了：

run['sys/description'] = '这是我的第一个实验'

看完是不是觉得特别爽？不用再到处找实验记录了，打开网页就能看到所有实验的参数和结果，还能比较不同实验之间的差异。啥时候想复现实验结果，所有代码和参数都在那躺着呢。

对了，Neptune还支持团队协作，大家的实验都能在一块看，再也不用担心实验结果发给队友找不着了~

点点赞