机器学习与深度学习 / 系统课时
交付模型与项目复盘
交付模型与项目复盘
本课把训练完成的模型整理为可复现、可验证、可部署的交付包,并给出项目复盘方法。完成后,接收方不需要依赖开发者口头说明,就能确认代码版本、加载权重、还原配置、运行推理并理解已知限制。
学习目标
- 组织代码、配置、权重、报告和部署说明,形成完整交付包
- 使用校验脚本检查关键文件、版本信息与模型摘要
- 从目标、结果、偏差和行动四个方面完成项目复盘
明确交付包的最小内容
交付不是只发送一个权重文件。一个可用交付包至少应包含源码或仓库提交号、锁定后的依赖、训练与推理配置、最终权重、标签或词表、评估报告、推理入口、部署说明、许可证与已知限制。配置中应记录输入尺寸、归一化参数、类别顺序和阈值,因为这些信息与权重共同决定输出。
推荐目录如下,文件名可以调整,但职责不能缺失:
release/
├── README.md
├── VERSION
├── requirements.txt
├── configs/
│ ├── train.yaml
│ └── inference.yaml
├── models/
│ ├── model.pt
│ └── model.pt.sha256
├── reports/
│ └── evaluation.md
├── src/
│ └── infer.py
└── deploy/
└── deployment.mdVERSION 应同时记录项目版本、代码提交号和模型版本。evaluation.md 应写明数据集版本、评价指标、基线、最终结果、失败样例和适用边界;deployment.md 应给出运行环境、启动命令、资源需求、健康检查和回滚方式。
用脚本执行交付验收
下面的 Bash 脚本在 release 目录中执行,检查关键文件是否存在、权重是否为空,并验证 SHA-256 摘要。脚本适用于 Linux、macOS 或具备 Bash 与 sha256sum 的环境。
#!/usr/bin/env bash
set -euo pipefail
required_files=(
"README.md"
"VERSION"
"requirements.txt"
"configs/inference.yaml"
"models/model.pt"
"models/model.pt.sha256"
"reports/evaluation.md"
"src/infer.py"
"deploy/deployment.md"
)
for file in "${required_files[@]}"; do
if [[ ! -s "$file" ]]; then
echo "FAIL: missing or empty $file"
exit 1
fi
echo "OK: $file"
done
(
cd models
sha256sum --check model.pt.sha256
)
echo "RELEASE_CHECK=PASS"预期输出:
OK: README.md
OK: VERSION
OK: requirements.txt
OK: configs/inference.yaml
OK: models/model.pt
OK: models/model.pt.sha256
OK: reports/evaluation.md
OK: src/infer.py
OK: deploy/deployment.md
model.pt: OK
RELEASE_CHECK=PASS如果系统使用 shasum -a 256,需要相应调整摘要生成与校验命令。摘要只能证明文件未被意外修改,不能证明模型效果正确,因此还应运行至少一个固定输入的冒烟测试,并核对输出形状、类别映射和阈值行为。
写清部署与复现步骤
部署说明应从全新环境出发,给出 Python 版本、CUDA 或 CPU 条件、依赖安装、模型加载、启动命令和验证请求。路径、端口和设备编号使用可替换变量,例如 <PATH>、<PORT> 和 <DEVICE>,并说明实际值由部署环境决定。
复现训练时,应固定随机种子、数据切分、代码提交号和配置文件,同时保存运行日志与指标。无法完全确定性的算子要明确标注,不要承诺每次训练得到逐位相同的权重。对外提供模型时,还要说明数据授权、第三方依赖许可证、隐私限制和禁止使用场景。
用结果驱动项目复盘
复盘不等于罗列过程。先对照最初目标,说明哪些指标达到、哪些未达到;再分析差距来自数据、模型、工程或评估设计;最后把结论转成带负责人和验收标准的行动项。每个问题都应有证据,例如训练曲线、错误样例、性能测试或资源监控,而不是只写“效果不好”。
可以按四个问题组织复盘:目标是否合理,最终结果如何,关键偏差为何发生,下一个迭代做什么。后续优化计划要区分“必须修复”“收益明确”和“探索性实验”,避免把所有想法都列为同等优先级。对未解决风险,应注明触发条件、影响范围和回滚方案。
交付前完成最终验收
交付前由另一名成员在干净环境中按文档执行一次。验收至少覆盖依赖安装、权重摘要、模型加载、固定样本推理、主要指标复核和部署启动。任何只能依靠原作者本机缓存、绝对路径或手工修改才能运行的步骤,都说明交付尚未完成。
本课总结
- 模型交付必须同时包含代码、配置、权重、评估证据、部署说明和限制信息
- 自动校验脚本负责检查完整性,干净环境冒烟测试负责验证可运行性
- 项目复盘应把目标偏差转化为有证据、可排序、可验收的后续行动
下一课预告
本章到此完成;接下来可基于交付包进入部署监控、模型迭代或新的深度学习项目,并复用本章的排查与验收流程。