贾浩楠 发自 凹非寺
搞机器学习的人，很多都饱受数据管理的折磨。
要么是数据集老旧，需要手工修订标注。
要么是同一个数据集有很多被别人调整过的版本，无从下手。
或者，干脆没有合适数据集，需要自己建立。
打开凤凰新闻，查看更多高清图片国外，一位名叫Simon Lousky的程序员小哥终于不能忍了，开发出了一套用于机器学习的数据版本控制工具 （Data Version Control，DVC）。
一键调用数据集、一键查看编辑历史……最重要的是，在DVC工具背后，有一个GitHub一样的数据托管社区。
“盘活”数据集
Simon Lousky在学生时代做项目时，就已经感受到了机器学习数据集管理不便的痛点。
当时，他的模型需要一个植物和花朵的数据进行训练，而开源数据集无论如何也得不到合理的结果。
于是他自己花了几个小时的时间，一一修正了数据集中大量过时、不合理的标注，之后训练结果让人十分满意。
除了这个项目，他之后又进行过很多数据集的修正、增补、创建工作，他把这些费时费力的工序称为“数据集的调试试错”，并且开始有意记录操作历史。
他逐渐发现，自己的项目中，数据管理总是一塌糊涂，而依靠GitHub托管的代码，却一直井井有条。
那为什么不做一个类似GitHub、专门服务数据管理的工具呢？
DVC就这样诞生了。
这是一个预装的工具库，实现功能包括对数据集的调用、历史操作信息的查看等等功能。
它的出现，意味着之前，研究人员在本地“死”的数据集上训练模型的方式彻底改变。
你可以将项目链接到在线托管的数据集（或任何文件），建立实时、准确的联系。数据集的任何更新变动，都能及时获知，方便项目的开展。
比如，现在有一个Repository A，这是一个“活”数据集，其中元数据文件，指向存储在专用服务器的真实大文件。
用户可以将数据集文件组织到目录中，并添加带有utils函数的代码文件，以此来方便调用。
此外，还有一个Repository B，这是对应机器学习项目，项目代码中，包含使用DVC导入数据集的指令。
只要创建一个数据注册表，就能建立A和B之间的联系：
mkdir my-dataset && cd my-datasetgit initdvc init
此时，数据集目录会是这样：
需要查看数据集相关信息时，输入指令：
dvc add annotationsdvc add imagesgit add . && git commit -m “Starting to manage my dataset”
数据集的预览会保存到一个目录里，这个目录也会被DVC跟踪。
然后用户只需要把代码和数据推送到托管仓库，这样就随时随地访问它，并与其他人分享。
当然，DVC要发挥作用，自然少不了背后的DAGsHub。
DAGsHub就是一个GitHub的数据管理版本，由三部分组成，git仓库、DVC、和机器学习流程平台mlflow。
用户可以提交自己的项目，DAGsHub会自动扫描提交，并提取有用的信息，如实验参数，数据文件和模型的链接，并将它们结合到一个简单的界面。
DAGsHub可以浏览和比较代码、数据、模型和实验，而且不需要下载任何东西。
此外，还能生成可视化数据管道、数据操作历史，并记录模型性能，自动且美观。
如何在机器学习项目中使用“活”数据集
要使用DAGsHub，只需要注册登录。
通过以下指令安装DVC：
pip3 install dvc
在DAGsHub上找到一个数据集，如何在自己的模型中使用它呢？
首先，要从托管的数据集中导入一个目录，并把它当作原始文件：
mkdir -p data/rawdvc import -o data/raw/images \ \data/imagesdvc import -o data/raw/annotations \ \data/annotations
接着，图片和注释就会下载到你自己的项目中，并保留其中历史信息的信息。
当你想要知道数据集的变更历史时，只需运行命令：
dvc update
就能将可视化结果返回默认目录保存：
是不是很方便？