机器学习运维

丹麦技术大学 02476 课程的代码仓库。

查看主页！

ℹ️ 课程信息

• 课程负责人

  • 副教授 Nicki Skafte Detlefsen，nsde@dtu.dk
  • 教授 Søren Hauberg，sohau@dtu.dk

• 5 学分（欧洲学分互认体系），相当于 140 小时的学习工作量

• 一月份为期三周的集中授课

• 硕士级别课程

• 成绩评定：通过/不通过

• 考核方式：项目报告

• 推荐先修课程：丹麦技术大学 02456 课程（深度学习）或具备以下主题的相关经验：

  • 对机器学习的一般理解（数据集、概率、分类器、过拟合、欠拟合等）
  • 深度学习的基础知识（反向传播、卷积神经网络、自编码器等）
  • 使用 PyTorch 编程。第一天我们会提供一些 PyTorch 练习，以便尽快让大家掌握所需技能。

❔ 学习目标

课程总体目标

向学生介绍一系列编码实践，帮助他们在研究或生产环境中组织、扩展、监控和部署机器学习模型。通过实际操作，让学生熟悉本地及云端的多种框架，以支持大规模机器学习模型的开发。

具体包括：

• 以高效的方式组织代码，便于维护和共享
• 理解可重复性的重要性，并学会创建可复现的容器化应用和实验
• 能够使用版本控制系统高效地协作开发代码
• 掌握持续集成（CI）和持续机器学习（CML）技术，实现代码开发的自动化
• 具备调试、性能分析、可视化和监控多个实验的能力，从而评估模型性能
• 能够利用在线云服务扩展实验规模
• 了解机器学习中的不同分布式训练范式及其应用方法
• 能够在本地和云端部署机器学习模型
• 与同学合作完成一个研究项目，运用课程中所学的框架
• 享受学习过程，分享有趣的表情包！ :)

🔥 从哪里开始

我们强烈建议在学习本课程材料时访问主页——这是本仓库对应的 GitHub Pages 版本，渲染效果更佳，并且还包含了由 Material for MkDocs 提供的一些特殊 HTML 功能。

特别推荐从入门页开始，它将为你提供课程概览以及对 MLOps 的初步介绍。

📓 参考资料

额外阅读资源（不分先后）：

• 参考 1 针对从未接触过 MLOps 并希望快速了解其概要的入门博客文章。

• 参考 2 Google 发布的一份关于 MLOps 不同层次的优秀文档。

• 参考 3 另一篇介绍 MLOps 原则及各个阶段的文章。

• 参考 4 一篇探讨机器学习领域技术债务的优秀论文。

• 参考 5 一项访谈研究，揭示了机器学习工程师在进行 MLOps 时面临的诸多痛点。

其他类似内容的课程：

• Made with ML。这是一门优秀的在线 MLOps 课程，同时也涵盖了机器学习基础的更多主题。
• Full stack deep learning。另一门涵盖整个开发流程的在线 MLOps 课程。
• MLOps Zoomcamp。一门包含许多相同主题的在线 MLOps 课程。

👨‍🏫 贡献说明

如果你希望为本课程贡献力量，我们非常欢迎！无论是修正错别字还是添加新内容，都值得鼓励。要在本地构建课程材料，只需简单两步：

你可以使用 pip 安装依赖项：

pip install -r requirements.txt
mkdocs serve

或者使用 uv：

uv sync
uv run mkdocs serve

这将启动一个本地服务器，地址为 http://127.0.0.1:8000，并在你修改课程内容时自动更新。当你准备好贡献内容时，请提交一个拉取请求。

❕ 许可证

我非常重视开源精神，因此本课程的内容可根据 Apache 2.0 许可协议自由使用。如果你在工作中使用了本课程的部分内容，请按以下格式引用：

@misc{skafte_mlops,
    author       = {Nicki Skafte Detlefsen},
    title        = {Machine Learning Operations},
    howpublished = {\url{https://github.com/SkafteNicki/dtu_mlops}},
    year         = {2026}
}

dtu_mlops 快速上手指南

dtu_mlops 是丹麦技术大学（DTU）02476 课程的开源仓库，旨在帮助开发者掌握机器学习运维（MLOps）的核心实践，包括代码组织、可复现性、持续集成/持续机器学习（CI/CML）、实验监控及模型部署。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux、macOS 或 Windows（推荐 WSL2）。
• Python 版本：建议 Python 3.8 或更高版本。
• 前置知识：
  • 熟悉机器学习基础（数据集、过拟合/欠拟合等）。
  • 具备深度学习基础知识（反向传播、CNN、自编码器等）。
  • 掌握 PyTorch 框架的基本使用。
• 依赖管理工具（任选其一）：
  • pip (标准 Python 包管理器)
  • uv (高性能 Python 包管理器，推荐以获得更快的安装速度)

国内加速建议： 如果使用 pip 安装依赖，建议配置清华或阿里镜像源以加速下载：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

克隆仓库后，您可以选择以下两种方式之一来安装依赖并启动本地文档服务：

方式一：使用 pip（标准方式）

1. 安装项目依赖：

   pip install -r requirements.txt
   

   (注：如需加速，请加上上述镜像源参数)

2. 启动本地预览服务器：

   mkdocs serve
   

方式二：使用 uv（推荐，速度更快）

如果您已安装 uv，可以使用以下命令自动同步环境并运行：

uv sync
uv run mkdocs serve

启动成功后，终端将显示类似信息，表示服务正在运行： Serving on http://127.0.0.1:8000

基本使用

本项目主要作为课程教材和实验框架参考，最核心的“使用”方式是浏览本地生成的文档网站，跟随课程模块进行学习。

1. 访问主页： 在浏览器中打开 http://127.0.0.1:8000。该页面由 Material for MkDocs 渲染，比直接查看 GitHub 源码体验更佳。

2. 开始学习：

   • 点击导航栏中的 Introduction (或访问 pages/before.md 对应的页面)。
   • 该部分提供了课程的概览以及对 MLOps 的软性介绍，是入门的第一步。

3. 参与贡献（可选）： 如果您希望修正拼写错误或添加新内容，可以直接在本地修改 Markdown 文件。由于 mkdocs serve 开启了热重载，保存文件后浏览器会自动更新，方便即时预览效果。确认无误后，可通过 Pull Request 提交到主仓库。

---

注：本指南基于 Apache 2.0 许可协议内容整理。如需引用本课程材料，请参考原仓库中的 BibTeX 格式。