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.
何时使用 Python API
API 为您提供构建自定义应用程序的完整程序化控制。
最适合
- 自定义应用程序 - 构建您自己的工具
- 复杂工作流程 - 多步骤管道
- 动态配置 - 即时调整
- 集成 - 与现有代码连接
- 生产系统 - 作为服务部署
编写 Python 代码：
from aitraining import TextClassification
trainer = TextClassification(
model="bert-base-uncased",
learning_rate=2e-5
)
trainer.train(data)
predictions = trainer.predict(texts)
工作流程示例
import pandas as pd
from aitraining import AutoTrainer
# 自定义预处理
data = pd.read_csv("raw_data.csv")
data = clean_and_prepare(data)
# 动态配置
config = {
"model": get_best_model(data),
"batch_size": calculate_batch_size(),
"epochs": 5 if len(data) > 1000 else 10
}
# 使用回调训练
trainer = AutoTrainer(**config)
trainer.train(
data,
callbacks=[
early_stopping,
checkpoint_best,
log_to_wandb
]
)
# 集成到应用程序
@app.route("/predict")
def predict():
result = trainer.predict(request.json)
return jsonify(result)
- 完全控制 - 访问一切
- 自定义逻辑 - 您的预处理
- 集成 - 与任何 Python 库一起工作
- 动态 - 根据条件调整
- 可测试 - 单元测试您的训练
- 更多代码 - 您编写编排
- 复杂性 - 自己处理错误
- 仅 Python - 不是语言无关的
- 依赖项 - 管理软件包
何时切换
当您需要以下功能时使用 CLI：
- 需要简单自动化
- 想要语言无关的解决方案
- 更喜欢配置而不是代码
- 使用非 Python 工具
当您需要以下功能时使用 UI：
常见用例
Web 服务
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}
数据管道
def training_pipeline(df):
# 自定义清理
df = remove_outliers(df)
df = normalize_features(df)
# 条件训练
if df.shape[0] > 10000:
model = "large-model"
else:
model = "small-model"
# 训练
trainer = AutoTrainer(model=model)
trainer.train(df)
return trainer
A/B 测试
models = {}
# 训练变体
for config in experiments:
trainer = create_trainer(config)
trainer.train(data)
models[config.name] = trainer
# 比较
results = evaluate_all(models, test_data)
best = select_best(results)
自定义回调
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()])
API 用户提示
- 处理异常 - 训练可能失败
- 添加日志 - 跟踪发生的情况
- 使用类型提示 - 及早捕获错误
- 编写测试 - 确保可靠性
- 记录代码 - 其他人会使用它
API 独有功能
只有 API 可以做的事情：
- 训练期间的自定义回调
- 动态模型选择
- 复杂数据管道
- 嵌入在应用程序中
- 程序化超参数调整
基本模式
# 资源的上下文管理器
with AITraining() as trainer:
trainer.train(data)
# 自动清理
# 异步训练
async def train_async():
await trainer.train_async(data)
# 流式预测
for prediction in trainer.predict_stream(texts):
process(prediction)
# 模型组合
ensemble = Ensemble([
model1,
model2,
model3
])
集成示例
# 与 pandas
df = pd.read_csv("data.csv")
trainer.train(df)
# 与 scikit-learn
from sklearn.model_selection import train_test_split
X_train, X_test = train_test_split(data)
# 与 weights & biases
import wandb
wandb.init(project="my-training")
trainer.train(data, callbacks=[WandbCallback()])
# 与 FastAPI
@app.post("/train")
async def train_endpoint(data: TrainingData):
result = await trainer.train_async(data)
return {"model_id": result.id}
下一步
