如果您添加自己的扩展并希望与他人共享，只需运行此命令即可生成命令列表：
一旦设置好 VSCode，就可以开始创建项目目录，将使用它来组织所有的脚本。启动项目的方式有很多种，但推荐以下方式：
设置
自述文件
将从一个README.md文件开始组织，该文件将提供有关目录中的文件的信息、执行操作的说明等。将不断更新此文件，以便可以为将来的信息编目。
touch README.md
让从添加用于创建虚拟环境的说明开始：
# Inside README.md
python3 -m venv venv
source venv/bin/activate
python3 -m pip install pip setuptools wheel
python3 -m pip install -e .
如果您按下位于编辑器右上角的预览按钮（下图中红色圆圈中的按钮），您可以看到README.md当为git推送到远程主机时会是什么样子。
配置
接下来，将创建一个名为的配置目录config，可以在其中存储应用程序所需的组件。在此目录中，将创建一个config.py和一个args.json.
mkdir config
touch config/main.py config/args.json
config/
├── args.json - arguments
└── config.py - configuration setup
在 内部config.py，将添加代码来定义关键目录位置（将在以后的课程中根据需要添加更多配置）：
# config.py
from pathlib import Path
# Directories
BASE_DIR = Path(__file__).parent.parent.absolute()
CONFIG_DIR = Path(BASE_DIR, "config")
在里面args.json，将添加与数据处理和模型训练相关的参数。
{
"shuffle": true,
"subset": null,
"min_freq": 75,
"lower": true,
"stem": false,
"analyzer": "char",
"ngram_max_range": 7,
"alpha": 1e-4,
"learning_rate": 1e-1,
"power_t": 0.1
}
操作
将从tagifai在项目目录 ( mlops) 中创建包目录 ( ) 开始。在这个包目录中，将创建一个main.py文件来定义希望能够执行的核心操作。
mkdir tagifai
touch tagifai/main.py
tagifai/
└── main.py - training/optimization pipelines
`
当将代码从note本移动到下面main.py适当的脚本时，将在内部定义这些核心操作：
Utilities
在开始从note本中移动代码之前，应该有意识地了解如何将功能移动到脚本中。note本内有临时进程是很常见的，因为只要note本在运行，它就会保持状态。例如，可以像这样在note本中设置种子：
# Set seeds
np.random.seed(seed)
random.seed(seed)
但在脚本中，应该将此功能包装为一个干净、可重用的函数，并带有适当的参数：
def set_seeds(seed=42):
"""Set seeds for reproducibility."""
np.random.seed(seed)
random.seed(seed)
可以将所有这些存储在包目录中的一个utils.py文件中。tagifai
touch tagifai/utils.py
tagifai/
├── main.py - training/optimization pipelines
└── utils.py - supplementary utilities
项目
在将代码从note本迁移到脚本时，最好根据实用程序进行组织。例如，可以为数据处理、训练、评估、预测等 ML 开发的各个阶段创建脚本：
将创建不同的 python 文件来包装数据和 ML 功能：
cd tagifai
touch data.py train.py evaluate.py predict.py
tagifai/
├── data.py - data processing utilities
├── evaluate.py - evaluation components
├── main.py - training/optimization pipelines
├── predict.py - inference utilities
├── train.py - training utilities
└── utils.py - supplementary utilities
以这种方式组织代码库也使更容易理解（或修改）代码库。本可以将所有代码放入一个main.py脚本中，但随着项目的增长，将很难在一个整体文件中导航。另一方面，可以通过分解data.py为split.py、preprocess.py等来假设更细粒度的立场。如果有多种拆分、预处理等方式（例如 ML 操作库），这可能更有意义，但是对于任务，在这个更高级别的组织中就足够了。
原则
通过下面的迁移过程，将反复使用几个核心软件工程原则。
将功能包装到函数中
如何决定何时将特定代码行包装为一个单独的函数？函数应该是原子的，因为它们每个都有单一的职责，这样就可以轻松地测试它们。如果不是，需要将它们拆分成更细粒度的单元。例如，可以用这些行替换项目中的标签：
oos_tags = [item for item in df.tag.unique() if item not in tags_dict.keys()]
df.tag = df.tag.apply(lambda x: "other" if x in oos_tags else x)
────相比────
def replace_oos_tags(df, tags_dict):
"""Replace out of scope (oos) tags."""
oos_tags = [item for item in df.tag.unique() if item not in tags_dict.keys()]
df.tag = df.tag.apply(lambda x: "other" if x in oos_tags else x)
return df
最好将它们包装为一个单独的函数，因为可能想要：
组合广义函数
Specific
def replace_oos_tags(df, tags_dict):
"""Replace out of scope (oos) tags."""
oos_tags = [item for item in df.tag.unique() if item not in tags_dict.keys()]
df.tag = df.tag.apply(lambda x: "other" if x in oos_tags else x)
return df
────相比────
Generalized
def replace_oos_labels(df, labels, label_col, oos_label="other"):
"""Replace out of scope (oos) labels."""
oos_tags = [item for item in df[label_col].unique() if item not in labels]
df[label_col] = df[label_col].apply(lambda x: oos_label if x in oos_tags else x)
return df
这样当列的名称发生变化或者想用不同的标签替换时，很容易调整代码。这还包括在函数中使用通用名称，例如label而不是特定标签列的名称（例如tag）。它还允许其他人在他们的用例中重用此功能。
本文主体源自以下链接：
@article{madewithml, author = {Goku Mohandas}, title = { Made With ML }, howpublished = {\url{https://madewithml.com/}}, year = {2022} }
本文由 mdnice 多平台发布