Lore机器学习模型配置、部署简化框架
Lore 是一个 Python 框架，旨在让工程师更容易接受机器学习，让数据科学家更容易维护机器学习。
功能特性
-
模型支持使用数据管道对估算器进行超参数搜索。他们将有效地利用多个 GPU（如果可用）和几种不同的策略，并且因水平可伸缩性可以保存和分发。
-
支持来自多个软件包的估算器，包括 Keras、XGBoost 和 SciKit Learn。它们都可以通过构建、调试或预测覆盖来进行分类，以完全自定义你的算法和架构，同时还可以从其他很多方面受益。
-
管道可以避免训练和测试之间的信息泄漏，一条管道可以用许多不同的估算器进行实验。如果机器可用 RAM 空间不够，则可使用基于磁盘的管道。
-
转化器标准化高级功能编程。例如，根据美国人口普查数据将美国名字转换为其统计年龄或性别；从自由格式的电话号码字符串中提取地理区号；常见的日期、时间和字符串操作可通过 pandas 得到有效支持。
-
编码器为估算器提供足够的输入，并避免常见的缺失和长尾值问题。经过充分测试，它们可以帮助你避免从垃圾中检索信息。
-
对于流行的 (No)SQL 数据库，整个应用程序以标准化的方式配置 IO 连接，对批量数据进行事务管理和读写优化，而不是使用典型的 ORM 操作。除了用于分发模型和数据集的加密 S3 buckets 之外，连接还共享一个可配置的查询缓存。
-
对开发中的每个应用程序进行依赖关系管理，且可 100％复制到生产环境中。无需手动激活，没有破坏 Python 的环境变量或隐藏的文件。无需 venv、pyenv、pyvenv、virtualenv、virtualenvwrapper、pipenv、conda 相关知识。
-
模型测试可在自己的持续集成环境中进行，允许代码和训练更新持续部署，而不增加基础架构团队的工作量。
-
命令行、Python 控制台、jupyter 笔记本或 IDE 都有工作流支持。每个环境都可以为生产和开发配置可读的日志和时序语句。