DVC（数据版本控制）

DVC（数据版本控制） 是做什么的？

安装

# 安装 DVC 并支持云存储
pip install dvc[s3]    # 用于 AWS S3
pip install dvc[gs]    # 用于 Google Cloud Storage
pip install dvc[azure] # 用于 Azure Blob Storage
pip install dvc[all]   # 所有远程存储

# 在 Git 仓库中初始化 DVC
cd my-ml-project
git init
dvc init

跟踪数据文件

# track_data.sh — 将大文件添加到 DVC 跟踪而非 Git
# 添加大型数据集
dvc add data/training_images/
dvc add data/dataset.csv

# DVC 创建 .dvc 文件（小型指针）—— 将它们提交到 Git
git add data/training_images.dvc data/dataset.csv.dvc .gitignore
git commit -m "使用 DVC 跟踪训练数据"

配置远程存储

# setup_remote.sh — 配置 DVC 存储实际文件内容的位置
# S3
dvc remote add -d myremote s3://my-bucket/dvc-storage

# Google Cloud Storage
dvc remote add -d myremote gs://my-bucket/dvc-storage

# 本地/网络路径
dvc remote add -d myremote /mnt/shared/dvc-storage

# 将数据推送到远程存储
dvc push

# 从远程存储拉取数据（在另一台机器上或克隆后）
dvc pull

构建可复现的流水线

# dvc.yaml — 定义 ML 流水线阶段及其依赖项和输出
stages:
  prepare:
    cmd: python src/prepare.py
    deps:
      - src/prepare.py
      - data/raw/
    outs:
      - data/processed/

  train:
    cmd: python src/train.py
    deps:
      - src/train.py
      - data/processed/
    params:
      - train.epochs
      - train.learning_rate
      - train.batch_size
    outs:
      - models/model.pkl
    metrics:
      - metrics/train.json:
          cache: false

  evaluate:
    cmd: python src/evaluate.py
    deps:
      - src/evaluate.py
      - models/model.pkl
      - data/processed/
    metrics:
      - metrics/eval.json:
          cache: false
    plots:
      - metrics/confusion_matrix.csv:
          x: predicted
          y: actual

# params.yaml — 流水线参数（由 DVC 跟踪）
train:
  epochs: 50
  learning_rate: 0.001
  batch_size: 32

# 运行整个流水线（仅重新运行已更改的阶段）
dvc repro

# 运行特定阶段
dvc repro train

实验跟踪

# experiments.sh — 运行并比较 ML 实验
# 运行带有修改参数的实验
dvc exp run --set-param train.learning_rate=0.01

# 并行运行多个实验
dvc exp run --set-param train.learning_rate=0.001 --queue
dvc exp run --set-param train.learning_rate=0.01 --queue
dvc exp run --set-param train.learning_rate=0.1 --queue
dvc queue start --jobs 3

# 比较实验
dvc exp show
dvc exp diff

# 将成功的实验应用到工作区
dvc exp apply exp-abc123

# 将实验推送到 Git 分支
dvc exp push origin exp-abc123

指标与图表

# train.py — 输出 DVC 跟踪指标的训练脚本
import json
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, f1_score
import yaml
import pickle

# 加载参数
with open("params.yaml") as f:
    params = yaml.safe_load(f)["train"]

X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

model = RandomForestClassifier(n_estimators=params["epochs"])
model.fit(X_train, y_train)

preds = model.predict(X_test)
metrics = {
    "accuracy": accuracy_score(y_test, preds),
    "f1_score": f1_score(y_test, preds, average="weighted"),
}

with open("metrics/train.json", "w") as f:
    json.dump(metrics, f, indent=2)

with open("models/model.pkl", "wb") as f:
    pickle.dump(model, f)

# 查看实验间的指标
dvc metrics show
dvc metrics diff

# 生成图表
dvc plots show metrics/confusion_matrix.csv
dvc plots diff  # 比较实验间的图表

无需克隆即可访问数据

# 从任何 DVC 仓库获取跟踪文件，无需完整克隆
dvc get https://github.com/org/ml-repo data/processed/dataset.csv
dvc import https://github.com/org/ml-repo models/model.pkl

# dvc_api.py — 以编程方式访问 DVC 跟踪的文件
import dvc.api

# 从 DVC 仓库读取文件
with dvc.api.open("data/dataset.csv", repo="https://github.com/org/ml-repo") as f:
    import pandas as pd
    df = pd.read_csv(f)

# 获取跟踪文件的 URL
url = dvc.api.get_url("models/model.pkl", repo="https://github.com/org/ml-repo")

关键概念

• .dvc 文件：提交到 Git 的小型指针文件，引用远程存储中的大型数据
• dvc repro：复现流水线——仅重新运行依赖项已更改的阶段
• 实验：无分支的实验跟踪——运行、比较并应用结果
• 参数：由 DVC 跟踪的 YAML 参数文件，用于可复现的配置
• 指标：JSON/YAML 指标文件，带有内置的比较工具
• 远程存储：S3、GCS、Azure、SSH、HDFS——数据保留在您希望的位置