Pular para o conteúdo principal

Documentation Index

Fetch the complete documentation index at: https://docs.monostate.ai/llms.txt

Use this file to discover all available pages before exploring further.

​
Quando Usar a API Python

A API oferece controle programático completo para construir aplicações personalizadas.

​
Melhor Para

  • Aplicações personalizadas - Construa suas próprias ferramentas
  • Fluxos de trabalho complexos - Pipelines de múltiplos passos
  • Configuração dinâmica - Ajuste em tempo real
  • Integração - Conecte com código existente
  • Sistemas de produção - Implante como serviços

​
Como Parece

Escreva código Python: 
from aitraining import TextClassification

trainer = TextClassification(
    model="bert-base-uncased",
    learning_rate=2e-5
)

trainer.train(data)
predictions = trainer.predict(texts)

​
Exemplo de Fluxo de Trabalho

import pandas as pd
from aitraining import AutoTrainer

# Pré-processamento personalizado
data = pd.read_csv("raw_data.csv")
data = clean_and_prepare(data)

# Configuração dinâmica
config = {
    "model": get_best_model(data),
    "batch_size": calculate_batch_size(),
    "epochs": 5 if len(data) > 1000 else 10
}

# Treinar com callbacks
trainer = AutoTrainer(**config)
trainer.train(
    data,
    callbacks=[
        early_stopping,
        checkpoint_best,
        log_to_wandb
    ]
)

# Integrar em aplicação
@app.route("/predict")
def predict():
    result = trainer.predict(request.json)
    return jsonify(result)

​
Vantagens

  • Controle total - Acesse tudo
  • Lógica personalizada - Seu pré-processamento
  • Integração - Funciona com qualquer biblioteca Python
  • Dinâmico - Ajuste com base em condições
  • Testável - Teste unitário do seu treinamento

​
Limitações

  • Mais código - Você escreve a orquestração
  • Complexidade - Lide com erros você mesmo
  • Apenas Python - Não é agnóstico de linguagem
  • Dependências - Gerencie pacotes

​
Quando Mudar

Use CLI quando você:
  • Precisa de automação simples
  • Quer solução agnóstica de linguagem
  • Prefere configuração em vez de código
  • Trabalha com ferramentas não-Python
Use UI quando você:
  • Precisa de feedback visual
  • Está ensinando outros
  • Experimentos rápidos
  • Exploração de dados

​
Casos de Uso Comuns

​
Serviço Web

from flask import Flask
from aitraining import load_model

app = Flask(__name__)
model = load_model("./trained_model")

@app.route("/api/classify", methods=["POST"])
def classify():
    text = request.json["text"]
    result = model.predict(text)
    return {"label": result}

​
Pipeline de Dados

def training_pipeline(df):
    # Limpeza personalizada
    df = remove_outliers(df)
    df = normalize_features(df)

    # Treinamento condicional
    if df.shape[0] > 10000:
        model = "large-model"
    else:
        model = "small-model"

    # Treinar
    trainer = AutoTrainer(model=model)
    trainer.train(df)

    return trainer

​
Teste A/B

models = {}

# Treinar variantes
for config in experiments:
    trainer = create_trainer(config)
    trainer.train(data)
    models[config.name] = trainer

# Comparar
results = evaluate_all(models, test_data)
best = select_best(results)

​
Callbacks Personalizados

class CustomCallback:
    def on_epoch_end(self, epoch, logs):
        if logs["loss"] < self.threshold:
            send_notification("Training going well!")

        if should_adjust_lr(logs):
            self.trainer.learning_rate *= 0.5

trainer.train(data, callbacks=[CustomCallback()])

​
Dicas para Usuários de API

  1. Lide com exceções - Treinamento pode falhar
  2. Adicione logging - Rastreie o que acontece
  3. Use type hints - Capture erros cedo
  4. Escreva testes - Garanta confiabilidade
  5. Documente código - Outros usarão

​
Recursos Exclusivos da API

Coisas que apenas a API pode fazer:
  • Callbacks personalizados durante treinamento
  • Seleção dinâmica de modelo
  • Pipelines de dados complexos
  • Incorporado em aplicações
  • Ajuste programático de hyperparâmetros

​
Padrões Essenciais

# Gerenciador de contexto para recursos
with AITraining() as trainer:
    trainer.train(data)
    # Limpeza automática

# Treinamento assíncrono
async def train_async():
    await trainer.train_async(data)

# Previsões em streaming
for prediction in trainer.predict_stream(texts):
    process(prediction)

# Composição de modelo
ensemble = Ensemble([
    model1,
    model2,
    model3
])

​
Exemplos de Integração

# Com pandas
df = pd.read_csv("data.csv")
trainer.train(df)

# Com scikit-learn
from sklearn.model_selection import train_test_split
X_train, X_test = train_test_split(data)

# Com weights & biases
import wandb
wandb.init(project="my-training")
trainer.train(data, callbacks=[WandbCallback()])

# Com FastAPI
@app.post("/train")
async def train_endpoint(data: TrainingData):
    result = await trainer.train_async(data)
    return {"model_id": result.id}

​
Próximos Passos

Referência da API

Documentação completa da API

Alternativa CLI

Quando comandos são mais simples