Привет! В этой репе лежит итоговый проект, который сделала команда 5:
1. Нурислам Акбулатов
2. Павел Очкин
3. Николаев Александр
4. Денис Хламов
Мы сделали микросервисный API приложения, чтобы улучшить и закрепить полученные во время обучения навыки и знания.
- Мы использовали docker-образ.
- Мы использовали предобученную модель.
- Модель возвращает ответ на запрос, получаемый через API веб-приложения.
- Создание файлов для запуска Docker контейнера.
- Создание файлов для тестирования функционала API приложения.
- Python скрипты для работы с набором данных и моделью.
- Скрипт для запуска API приложения (FastAPI).
- Тесты для приложения.
- Dockerfile для создания образа приложения соответствующего окружения.
- Создание Jenkins пайплайна.
- В будущих итерациях планируется внедрить версионирование различных версий наборов данных с помощью DVC.
.
├── data # папка с образцами данных
├── scripts
│ ├── doker_container_run.sh # скрипт для запуска Docker контейнера с приложением (Unix)
│ └── predict_titanic.sh # скрипт для тестирования функционала API приложения (Unix)
├── src # папка с исполняемыми скриптами приложения
│ ├── app.py # приложение на FastAPI
│ ├── create_dataset.py # скрипт для создания набора данных
│ └── create_model.py # обучение модели
├── tests # модульные тесты
│ ├── app_test.py # модульное тестирование API приложения
└── └── dataset_test.py # функциональное тестирование предсказательной способности модели
./Dokerfile # файл для создания Docker образа приложения
./Jenkinsfile # пайплайн для автоматического развертывания, тестирования и сборки Docker образа
Important
После создания Docker образа приложения, выполните скрипт doker_container_run.sh для создания и запуска Docker контейнера с приложением на порту 8091.
Tip
Для проверки работы предложения запускаются командные файлы: predict_titanic.sh