上山救火的老外找到了：我有重庆社保，我该为城市出力！

作者：上游新闻

发布时间：2022-08-25 11:24

快照：

“这个外国人都来支援我们了，支援歇马镇这个火灾。”近日，一位外国人乘坐摩托车、手持油锯，参与北碚山火救援的视频引发了网友热议：“爱心不分国界！”“感谢外国友人！”8月24日，上游新闻记者采访得知，这位外国友人名叫Frank（中文名：福兰课），是西南大学教育学部副教授，他也被学校师生亲切称为“老福”。

“老福”参加救火志愿服务

听说自己在歇马镇支援救火的视频走红，“老福”感到很惊讶：“我是今天（24日）下午看到朋友圈有人发这个视频，应该是8月23日下午3点过被拍到的，当时摩托车手正载我上山。这个视频被这么多人关注我也没想到，因为我是一名西南大学的外教，我妻子和女儿都在这里，保卫家园是一件很正常的事。”

西南大学老师群为“老福”点赞

“老福”解释说：“我是油锯使用和维修的志愿者。8月23日上午，有人在微信群转发需要油锯志愿者的召集令，刚好我在国外用油锯锯过树和木头，所以我就收拾了三天的衣物和急救箱，并召集了其他几位西南大学老师一起去歇马镇当志愿者。”

“老福”在油锯队集结点

“老福”平时在学校主要负责STEAM（科学、科技、艺术、数学）教学，很擅长机械工具的安装和调试，所以他一到歇马镇就被分配了安装油锯的工作。据他回忆：“刚开始我是在户外安装，装了5个油锯以后，因为气温逐渐升高，当地政府就让我们转到了室内工作。我们几个安装人员花了2个小时，安装、调试了约50台油锯。”

“老福”在户外组装的第一把油锯

“老福”和志愿者们的劳动成果

安装和调试油锯任务完成后，“老福”又主动申请加入上山锯树的队伍，下午3点半，他和其他锯树志愿者一起，被摩托车骑手送上了虎头山。“我这辈子第一次拿着电锯、骑着摩托车穿过了小镇，并爬上了一座山。沿途的志愿者和街上的民众，看到我都竖起了大拇指，我很开心，这是一段难忘的记忆！”

由于“老福”中文不大好，需要同行的西南大学外语学院老师洪武翻译才能与现场相关负责人沟通。出于安全考虑，最终他未能参与到锯树工作中，不过对此他并不介意：“我做志愿服务期间，气氛都很棒，虽然天气很热，但每个人都很专注地做事。很多人主动跟我打招呼，还送了毛巾和水给我，让我很感动。没能参与锯树工作，的确留下一点小遗憾，可有句名言是‘有遗憾的人生才是完美的’，我已经尽力了。”

“老福”（右二）和翻译洪老师（左三）在志愿服务后合影

8月24日晚，“老福”又答应了一个新的救火志愿服务邀请，他表示：“能够贡献一份力量，让山火早日熄灭，我很高兴。”

新闻多一点

“老福”：我已经是重庆人了，打算在这里退休养老

据“老福”的妻子梁女士介绍：“我老公出生于美国弗吉尼亚州。他一直很热心公益活动，在国外曾帮助过低收入单亲家庭修建经济适用房、向罕见病孩子捐款、为乳腺癌患者搭建过花台等。到了中国以后，他为重庆多所学校的老师做过公益培训，还给农村的孩子上过公益课……”

听老婆说起自己的经历，“老福”露出了幸福的笑容：“很庆幸我2008年读博士时，跟随导师学术交流来到中国，并在成都认识了我的妻子，也让我爱上了中国。现在我们定居在重庆北碚，还有了一个5岁的女儿。”

“老福”一家都定居重庆北碚

梁女士则透露，这次“老福”主动报名上山当志愿者参与救火，她曾有些担心：“毕竟有山火，不过考虑到他有使用油锯的经验，现在需要他这样的熟手，所以我就同意了。本来我也应该随行，给他当翻译，可女儿需要照顾。”

“老福”作为西南大学的STEAM教育专家，平时是全英文教学，很多学生都很喜欢他，谈到来重庆教学的原因，他表示是盛情难却：“在美国我就认识了几位西南大学的老师，受他们邀请，我就来重庆了。在这里领导和同事们都很关照我，学生们也很喜欢我，让我有了一种回到家的感觉。严格来说，现在我已经是重庆人了，因为我已经有重庆社保，我该为这座城市尽一份力。”

“老福”祝愿重庆雄起

“老福”说：“我非常喜欢重庆，我喜欢重庆的美食，火锅和小面都很好吃。我一直在努力学习中文，提高我的中文交流水平，不过重庆话我不大懂，还需要多听多学一下。”他还表示，已经做好了重庆退休的打算：“重庆人非常热情友好，这是一个非常开放包容的国际大都市，交通等基础设施非常发达，非常宜居，我已经把家安在了这里，下一步我还准备申请中国绿卡，在重庆干到退休，以后也在这里养老。”

上游新闻记者 赵映骥 实习生 彭星

举报/反馈

极目锐评｜重庆上山救火的老外找到了，保卫家园怎能“见外”？

作者：极目新闻

发布时间：2022-08-25 17:32

快照：

极目新闻评论员 吴双建

“这个外国人都来支援我们了，支援歇马镇救火。”近日，一位外国人乘坐摩托车、手持油锯，参与北碚山火救援的视频引发了网友热议：“爱心不分国界！”“感谢外国友人！”8月24日，上游新闻记者采访得知，这位外国友人名叫Frank（中文名：福兰课），是西南大学教育学部副教授，他也被学校师生亲切称为“老福”。（据8月25日上游新闻）

西南大学外教坐摩托上山支援救火 视频截图

听说自己在歇马镇支援救火的视频走红，“老福”感到很惊讶：我妻子和女儿都在这里，保卫家园是一件很正常的事。

是啊，保卫家园是一件很正常的事。

近期，因持续高温，重庆先后发生多起山林火灾。7天时间接连突发10余起，给人民群众生命财产造成严重威胁。近日，云南消防总队派出736人，分批次进入重庆增援。8月23日，中国气象局调派一架高性能飞机驰援重庆增雨抗旱工作，并派专家进行增雨作业指导。

目的都是为了帮助重庆市民保卫家园。

重庆人民团结一心，保卫家园，也是有力出力。一批又一批有救灾经验和能力的志愿者陆续加入。其中，最引人注目的是一批“摩托骑士”。当时有人在网上振臂一呼，一个小时左右，救援前线的虎头村就陆陆续续来了五百多辆摩托车，这让召集者大感意外。

“摩托骑士”分批次有序地把物资和灭火设备送上山，把轮休的消防队员接下来……上山路上“几乎所有人都摔过”，但他们默默忍受，毫无怨言。

看到家园受到威胁，“老福”当然“不见外”。当他在微信群里看到需要油锯志愿者的召集令时，他正好使用过油锯，于是收捡衣物就动身了，立即参与救援任务。

不管是“摩托骑士”还是“老福”，心情都是一样的，希望能早点扑灭山火，恢复正常的生活秩序。他们当中也有很多人，正是受到消防员英勇之举、志愿者挺身而出的感召，从而投入战斗。

保卫家园，就是应该这样不分彼此。从对“老福”的报道中，他对自己走红的“意外”。他认为，自己有重庆的社保，妻子女儿都在重庆，早就把自己当成了一名重庆人，当志愿者不是很正常吗？

其实，也不是人们感到“不正常”，正是他的“正常”让人感觉到，不论肤色和种族，人类保卫家园的情感都是相通的。这也说明，他一家扎根中国，热爱重庆，真正把自己当成了主人。

值得一提的是，“老福”的个子大，体重不轻，载他上山的“摩托骑士”是一个小个子，过程很不容易，当天温度又高，这也让他也好好感动了一把。也就是说，“老福”和“摩托骑士”在这里有了交集。这次志愿者经历，也让他看到了中国人的志愿情怀和义不容辞保家卫国的精神。

正是这种人与人之间的互相理解和互相感动，凝聚了重庆人民和山火作斗争的团结力量。

报道显示，截至8月25日8时，重庆铜梁区永嘉镇森林火灾明火已扑灭。巴南区界石镇森林火灾南线明火已全部扑灭，北线已保持无明火状态15小时以上。均无人员伤亡。

“老福”，好样的！“摩托骑士”，好样的！重庆人民，好样的！

（来源：极目新闻）

更多精彩资讯请在应用市场下载“极目新闻”客户端，未经授权请勿转载，欢迎提供新闻线索，一经采纳即付报酬。

举报/反馈

上山救火的老外找到了：我有重庆社保，我该为城市出力

作者：湘湘带你看社会

发布时间：2022-08-25 21:14

快照：

听说自己在歇马镇支援救火的视频走红，“老福”感到很惊讶：“我是今天（24日）下午看到朋友圈有人发这个视频，应该是8月23日下午3点过被拍到的，当时摩托车手正载我上山。这个视频被这么多人关注我也没想到，因为我是一名西南大学的外教，我妻子和女儿都在这里，保卫家园是一件很正常的事。”

新闻来源：微博@上游新闻

图片来源：见水印

【来源：重庆青年报】

声明：转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本网联系，我们将及时更正、删除，谢谢。 邮箱地址：newmedia@xxcb.cn

举报/反馈

MLOps是什么，为什么重要，以及如何实现？

作者：深蓝学院

发布时间：2022-08-25 15:47

快照：

究竟什么是MLOps？

这个问题存在了很久，但直到现在，都仅仅只在大型人工智能会议上有几次提及，很少有具体的描述，国内的应用更是尚浅。

如今，科技公司在将机器学习模型商业化落地时所面临的痛点大致有：

迁移到云端；创建和管理机器学习工作流；规模化；大规模处理敏感数据；以及大概还有非常多的其他问题。

而这篇文章就是解决这些痛点的答案。

如果我们真的想让模型真正触及现实生活中的商业问题和真实的人，我们必须处理以下要点：

获取和清理大量数据；跟踪和迭代实验和模型训练；为投入生产的模型设置部署和监控工作流程。

并且我们需要找到一种方法来扩展我们的机器学习操作以满足业务或机器学习模型用户的需求。

过去，当我们需要扩展传统软件系统以便更多人可以使用它们时，也存在类似的问题。DevOps的解决方案是一套用于开发、测试、部署和操作大型软件系统的实践，借助DevOps，开发周期变得更短，部署速度加快，系统发布变得可审计且可靠。

这为我们引向了MLOps，它诞生于DevOps、数据工程以及机器学习的交叉融合，与DevOps的概念相似，但执行方式不同。机器学习系统本质上是实验性的，并且具有更多的组件，这些组件的构建和操作显然要复杂得多。

下面就让我们开始吧！

01什么是MLOps？

MLOps是用于数据科学家和专业运维人员之间协作和交流的一系列实践。应用这些实践可以提高质量，简化管理流程，并在大规模生产环境中自动部署机器学习和深度学习模型，更容易使模型与业务需求以及监管要求保持一致。

来源：NeptuneBlog

MLOps正在慢慢演变成一种独立的机器学习生命周期管理方法，它适用于整个生命周期——数据收集、模型创建（软件开发生命周期、持续集成/持续交付）、编排、部署、健康、诊断、治理和业务指标。

MLOps的关键阶段是：数据收集数据分析数据转换/准备模型训练与开发模型验证模型服务模型监控模型再训练

02DevOps vs MLOps

来源：NealAnalytics

DevOps和MLOps具有基本的相似之处，因为MLOps源自DevOps，但它们在执行上完全不同：

与DevOps不同，MLOps在本质上更具实验性。数据科学家和机器学习/深度学习工程师必须调整各种功能——超参数、参数和模型——同时还要跟踪和管理数据和代码库以获得可重复的结果。除了所有的努力和工具之外，机器学习和深度学习行业仍然在为实验的可重复性而苦苦挣扎。混合团队组成：在生产环境中，构建和部署模型所需的团队不仅仅由软件工程师组成。在机器学习项目中，团队通常包括数据科学家或机器学习研究人员，他们专注于探索数据分析、模型开发和实验，他们可能不是可以构建生产级服务的经验丰富的软件工程师。测试：除了单元测试和集成测试等常规代码测试之外，测试机器学习系统还涉及模型验证、模型训练等。自动部署：为了提供模型在线预测的服务，您不能只将离线训练的机器学习模型部署。您需要一个多步骤工作流来自动重新训练和部署模型。这个工作流增加了复杂性，因为您需要自动化数据科学家在部署之前手动执行的步骤来训练和验证新模型。由于数据配置文件的不断发展或简单的训练和服务偏差导致系统的生产性能下降：生产中的机器学习模型可能会降低性能，这不仅是由于编程实现未达到最优，还因为数据配置文件的不断发展。与传统软件系统相比，模型可能会以更多方式衰减。监控：生产中的模型需要被监控。同理，构建模型的数据的汇总统计信息也需要被监控，以便您可以在需要时刷新模型。这些统计数据会随着时间而改变，当值偏离预期时，您需要通知或回滚过程。第五点中提到“模型可能会以更多方式衰减”，这可能由以下原因引起：您在训练和服务工作流中处理数据的方式存在差异。在您训练和服务时，数据发生了变化。反馈循环——当您选择错误的假设（即目标）进行优化时，这会使您收集到有偏的数据来训练您的模型。接着，在不知情的情况下，您使用的这个有缺陷的假设又将收集新的数据点，并将其反馈到重新训练/微调模型的未来版本，使模型的偏差更大，并且滚雪球式增长。

虽然在源代码管理的持续集成、单元测试、集成测试以及软件模块或包的持续交付方面，MLOps和DevOps是相似的，但是，二者在机器学习上存在一些显著差异：持续集成 (CI) 不再只是测试和验证代码和组件，还包括测试和验证数据、数据模式和模型。持续部署 (CD) 不再是关于单个软件包或服务，而应该是一个系统（一个机器学习模型训练的流程），可以自动部署另一个服务（模型预测服务）或从某个模型回滚更改。连续测试 (CT) 是机器学习系统独有的新属性，它与自动重新训练和服务模型有关。

03MLOps vs实验跟踪 vs机器学习模型管理

我们已经定义了MLOps是什么，那么什么是实验跟踪和机器学习模型管理呢？

实验跟踪

实验跟踪是MLOps的一部分（或一个过程），专注于收集、组织和跟踪不同模型结构（超参数、模型大小、数据拆分、参数等）下多次运行的训练信息。如前所述，由于机器学习/深度学习本质上是实验性的，因此我们使用实验跟踪工具对不同公司、团队或团队成员创建的不同模型进行基准测试。

模型管理

为确保机器学习模型一致并大规模满足所有业务需求，一个合乎逻辑且易于遵循的模型管理策略至关重要。MLOps方法包括简化模型训练、打包、验证、部署和监控的过程，通过这种方式，您可以始终端到端地运行机器学习项目。通过为模型管理设置清晰、一致的方法后，组织可以：主动解决常见的业务问题（例如合规性）；通过跟踪数据、模型、代码和模型版本以支持可复现的模型；用可重复的配置打包和交付模型，以支持可复用性。

04为什么MLOps很重要？

MLOps是基础。机器学习可帮助个人和企业部署解决方案，通过创建更高效的工作流程、利用数据分析进行决策和改善客户体验来解锁以前未开发的收入来源、节省时间并降低成本。如果没有一个可靠的框架可以遵循，这些目标则很难实现。使用MLOps自动化模型开发和部署，可以使产品进入时间更快、运营成本更低，它可以帮助管理人员和开发人员在决策中更具灵活性和战略性。无论有什么限制，不管是敏感数据、资源少、预算少等等，MLOps可作为地图，指引个人、小型团队甚至企业实现目标。您可以决定您希望的地图大小，因为MLOps具有灵活性的实践，您可以尝试不同的设置，来找到最适合您的设置。

MLOps最佳实践

以下涵盖了机器学习工作流程不同组件的最佳实践，即：团队、数据、目标、模型、代码和部署。

团队

使用协作开发平台https://se-ml.github.io/best_practices/05-collaborative_platform/竭力避免积压工作https://se-ml.github.io/best_practices/05-use_backlog/与他人沟通、协调和协作https://se-ml.github.io/best_practices/05-communication_collab/

数据

对所有外部数据源使用完整性检查https://se-ml.github.io/best_practices/01-sanity_check/跟踪、识别和说明数据源的变化https://d1.awsstatic.com/whitepapers/mlops-continuous-delivery-machine-learning-on-aws.pdf为数据清理和合并，编写可复用的脚本https://se-ml.github.io/best_practices/01-reusable_data_clean/组合和修改现有功能，以人类可理解的方式创建新功能https://developers.google.com/machine-learning/guides/rules-of-ml#rule_20_combine_and_modify_existing_features_to_create_new_features_in_human%C2%AD-understandable_ways确保在严格控制的过程中执行数据标注https://se-ml.github.io/best_practices/01-data-label/使数据集在共享基础设施（私有或公共）上可用https://se-ml.github.io/best_practices/01-data-share/

目标（指标和 KPI）

不要过度考虑选择直接优化哪个目标，首先要跟踪多个指标https://developers.google.com/machine-learning/guides/rules-of-ml#rule_12_don%E2%80%99t_overthink_which_objective_you_choose_to_directly_optimize为您的第一个目标选择一个简单、可观察且可归因的指标https://developers.google.com/machine-learning/guides/rules-of-ml#rule_20_combine_and_modify_existing_features_to_create_new_features_in_human%C2%AD-understandable_ways设定治理目标https://se-ml.github.io/best_practices/06-code_conduct/执行公平和隐私https://se-ml.github.io/best_practices/06-responsible_ml_ai/

模型

保持第一个模型简单并获得正确的基础架构https://developers.google.com/machine-learning/guides/rules-of-ml#rule_4_keep_the_first_model_simple_and_get_the_infrastructure_right从可解释的模型开始调试更容易https://developers.google.com/machine-learning/guides/rules-of-ml#rule_14_starting_with_an_interpretable_model_makes_debugging_easier训练以易于衡量和理解的指标捕获训练目标https://se-ml.github.io/best_practices/02-train_metric/主动删除或存档未使用的功能https://se-ml.github.io/best_practices/02-archive_old_feature/同行评审训练脚本https://se-ml.github.io/best_practices/02-peer_review_mdl/启用并行训练实验https://se-ml.github.io/best_practices/02-parallel_training/自动化超参数优化https://se-ml.github.io/best_practices/02-auto_hyperparams/持续测量模型质量和性能https://se-ml.github.io/best_practices/02-measure_mdl_quality/对数据、模型、配置和训练脚本使用版本控制https://se-ml.github.io/best_practices/02-data_version/

代码

运行自动的回归测试https://se-ml.github.io/best_practices/03-regr_test/使用静态分析检查代码质量https://se-ml.github.io/best_practices/03-use_static_analysis/使用持续集成https://se-ml.github.io/best_practices/03-cont-int/

部署

计划启动和迭代https://developers.google.com/machine-learning/guides/rules-of-ml#rule_16_plan_to_launch_and_iterate自动化模型部署https://se-ml.github.io/best_practices/04-auto_model_packaging/持续监控已部署模型的行为https://se-ml.github.io/best_practices/04-monitor_models_prod/为生产模型启用自动回滚https://se-ml.github.io/best_practices/04-rollback_models_prod/当性能停滞不前时，寻找质量上新的信息来源来添加而不是改进现有信号https://developers.google.com/machine-learning/guides/rules-of-ml#rule_41_when_performance_plateaus_look_for_qualitatively_new_sources_of_information_to_add_rather_than_refining_existing_signals启用影子部署https://se-ml.github.io/best_practices/04-shadow_models_prod/保持集成简单https://developers.google.com/machine-learning/guides/rules-of-ml#rule_40_keep_ensembles_simple使用模型版本、代码版本和输入数据进行日志生产预测https://se-ml.github.io/best_practices/04-log_production/系统和训练偏差的人工分析您不是典型的最终用户https://developers.google.com/machine-learning/guides/rules-of-ml#rule_23_you_are_not_a_typical_end_user测量模型之间的增量https://developers.google.com/machine-learning/guides/rules-of-ml#rule_24_measure_the_delta_between_models在选择模型时，实用性能胜过预测能力https://developers.google.com/machine-learning/guides/rules-of-ml#rule_25_when_choosing_models_utilitarian_performance_trumps_predictive_power执行不断变化的数据配置文件检查https://developers.google.com/machine-learning/guides/rules-of-ml#rule_37_measure_trainingserving_skew如果您基于 1 月 5 日之前的数据生成模型，请根据 1 月 6 日及之后的数据测试模型https://developers.google.com/machine-learning/guides/rules-of-ml#rule_33_if_you_produce_a_model_based_on_the_data_until_january_5th_test_the_model_on_the_data_from_january_6th_and_after

这些最佳实践将作为您构建MLOps解决方案的基础，也就是说，我们现在可以深入研究实施细节。

05如何实现MLOps

有3种方法可以实现MLOps：0级MLOps（手动处理）1级MLOps（机器学习流程自动化）2级MLOps（持续集成与持续部署流程自动化）

0级MLOps

这对于刚开始使用机器学习的公司来说很典型，如果您的模型很少更改或训练，则完全手动的机器学习工作流程和数据科学家驱动的流程可能就足够了。

特点手动、脚本驱动、交互过程：每一步都是手动的，包括数据分析、数据准备、模型训练和验证，它需要手动执行每个步骤并从一个步骤手动转换到另一个步骤。机器学习与运维之间的脱节：该过程将创建模型的数据科学家与使用模型提供预测服务的工程师分离。数据科学家给出经过训练的模型，工程团队在其API基础架构上进行部署。发布迭代不频繁：假设您的数据科学团队管理着一些不经常更改的模型（模型更改的情况有：要么更改模型实现，要么使用新数据重新训练模型）。一个新模型版本每年仅部署几次。没有持续集成（CI）：假设很少有更改，因此就忽略了持续集成。通常，测试代码是笔记本或脚本执行的一部分。没有持续部署（CD）：因为没有频繁的模型版本部署，所以不考虑持续部署。部署是指预测服务（即带有REST API的微服务）缺乏主动性能监控：流程不跟踪或不记录模型的预测和操作。工程团队可能有自己复杂的API配置、测试和部署设置，包括安全性、回归，以及负载和金丝雀测试。

挑战在实践中，模型在现实世界中部署时经常会崩溃，因为模型无法适应环境动态的变化或描述环境数据的变化。福布斯对此有一篇很棒的文章：为什么机器学习模型在生产中崩溃。为了解决这个手动过程的挑战，最好将MLOps实践用于持续集成与持续部署和持续训练。通过部署机器学习训练流程，您可以启用持续训练，并且您可以设置持续集成与持续部署系统来快速测试、构建和部署机器学习流程的新实现。

1级MLOps

1级MLOps的目标是通过自动化机器学习流程来执行模型的持续训练。这样，您就可以实现模型预测服务的持续交付。对于在不断变化的环境中运行并需要主动应对客户行为、价格和其他指标的变化的解决方案，这种情况可能会有所帮助。特点快速实验：机器学习实验步骤被编排并自动完成。生产中模型的持续训练：使用基于实时工作流触发器的新数据在生产中自动训练模型。实验-操作对称：在开发或实验环境中使用的工作流程的实现用于预生产和生产环境，这是MLOps实践中与DevOps统一的一个关键方面。组件和工作流的模块化代码：要构建机器学习工作流，组件需要可重用、可组合并且可能跨机器学习工作流共享（即使用容器）。模型的持续交付：模型部署步骤是自动化的，模型部署的目标是让经过训练和验证的模型提供在线预测的服务。工作流部署：在第0级，您将经过训练的模型作为预测服务部署到生产环境；对于第1级，您可以部署一个完整的训练工作流，该工作流会自动循环运行，以将经过训练的模型作为预测服务提供服务。

附加组件数据和模型验证：工作流期望新的实时数据生成一个新的模型版本，该模型版本在新数据上进行了训练。因此，生产工作流中需要自动化数据验证和模型验证步骤。特征库：特征库是一个集中的存储库，您可以在存储库中将用于训练和服务的特征的定义、存储和访问做标准化处理。元数据管理：记录有关机器学习工作流每次执行的信息，以帮助处理数据和工件沿袭、复现和比较，它还可以帮助您调试错误和异常情况。机器学习工作流触发器：为了使用新数据重新训练模型，您可以自动化机器学习生产工作流，具体取决于您使用的情形：随需应变按计划根据新训练数据的可用性当模型性能下降时根据数据分布的重大变化（不断变化的数据配置文件）

挑战当您基于新数据而不是基于新的机器学习点子部署新模型时，此设置适用。但是，您需要尝试新的机器学习想法并快速部署机器学习组件的新实现。如果您在生产中管理许多机器学习工作流，则需要持续集成与持续部署设置来自动化机器学习工作流的构建、测试和部署。

2级MLOps

要在生产中快速可靠地更新工作流，您需要一个强大的自动化持续集成与持续部署系统，借助此自动化持续集成与持续部署系统，您的数据科学家可以快速探索有关特征工程、模型架构和超参数的新想法。这个级别适合那些必须每天（如果不是每小时）重新训练模型、在几分钟内更新它们并同时在数千台服务器上重新部署的技术驱动型公司。如果没有端到端的MLOps循环，这样的组织将无法生存。此MLOps设置包括以下组件：源代码控制测试和构建服务部署服务模型注册表机器学习特征的存储库机器学习元数据存储机器学习工作流编排器

特点开发和实验：您迭代地尝试新的机器学习算法和新的建模（其中安排了实验步骤），此阶段的输出是机器学习工作流步骤的源代码，然后将其推送到源存储库。工作流持续集成：您构建源代码并运行各种测试，此阶段的输出是将在稍后阶段部署的工作流组件（依赖的包、可执行文件和工件）。工作流持续交付：您将持续集成阶段生成的工件部署到目标环境，此阶段的输出是一个已部署的工作流，其中包含模型的新实现。自动触发：工作流在生产中根据计划或响应触发自动执行，这个阶段的输出是一个新训练的模型，它被推送到模型注册表。模型持续交付：您将经过训练的模型作为预测服务提供，此阶段的输出是已部署的模型预测服务。监控：您根据实时数据收集模型性能的统计信息，此阶段的输出是执行工作流或执行新实验周期的触发器。

在工作流开始新的实验迭代之前，数据分析步骤仍然是数据科学家的手动过程，模型分析步骤也是一个手动过程。

END

本文翻译自neptune.ai

原文链接为：https://neptune.ai/blog/mlops

举报/反馈

媒体聚焦新鄠邑｜“美丽中国·网络媒体生态行”之鄠邑篇

作者：鄠邑宣传

发布时间：2022-08-25 14:48

快照：

8月9日

由中央网信办、国家林业和草原局联合指导

陕西省委网信办、陕西省林业局、央视网联合主办的

“美丽中国·网络媒体生态行——绿动陕西新画卷”

网络主题活动启动

采访团将鄠邑区作为西安之行唯一采访点

探访诗画鄠邑

感受秦岭脚下美丽村庄嬗变

活动期间，媒体采访团先后来到栗峪口村、天桥湖国际生态区、蔡家坡村，秦岭保护“一站三中心”等地，通过主题采访、短视频、视觉海报、漫评等多种形式，多角度、全方位、立体式聚焦鄠邑区生态治理实践。

人民论坛网视频

中国经济网话题微博

本次活动先后被人民网、新华网、央视网、中国新闻网、中国经济网、国家林草局政府网、央广网、国际在线、西部网、华商网等30余家中省媒体关注报道，相关报道达300多篇，全网总浏览量达500万+ ，互动数6万+（点赞、评论、转发），在网上和线下形成了浓厚的宣传氛围，展示了“诗画鄠邑、品质新区”靓丽的生态画卷。

相关报道

国家林业和草原局

新华网

中国经济网

央视网

央广网

中国网

中青网

国际在线

中国新闻网

人民论坛网

西部网

华商网

秦闻APP

西北在线

群众新闻网

文化艺术网

新西部网

图文来源：区委网信办

责编：田磊

审核：夏利萍

如有侵权 联系删除

举报/反馈

清远古龙峡一日游

作者：三ER日常

发布时间：2022-08-25 12:38

快照：

01这周到清远古龙峡玩了一天，计划中的漂流因身体不适取消，就在附近走走玻璃桥，拍拍照，打下卡，也是放松一下。

02第一天住了温泉酒店，里面有室内泡澡池，和室外游泳池及温泉池，在泳池玩了会，温泉池下午过去的，觉得洗的人多，果断放弃，四处看看，每个池子踩踩水，算是洗过。

路过的风景，随手一拍，水面效果特好。

03去往古龙峡玻璃桥的路，比较漫长，当天赶巧电梯不能用，11路上去，没点体力是不行。

一路要走10几分钟这种台阶，暴汗。

04沿途拍了一些照片，跟大家分享下，有我拍的，也有同事拍的，感觉同事拍的比较有意境，大家可以猜下哪个是我拍的照片。

网红桥，瀑布

可以近前拍，不敢

随手拍的，保护游人隐私！

近远景还可以吧

这水真蓝

这大鹅 羡煞单身狗

05本来想漂流，肚子不给力，就没体验到，不过看着同事们玩得开心，也是很知足，在游客中心看来往美女也是一大乐事。

举报/反馈

摄影技巧：火锅店怎么拍照好看？朋友圈点赞最高的火锅店拍照技巧

作者：摄影技巧入门教程

发布时间：2022-08-24 16:49

快照：

摄影技巧：后台有网友询问，和朋友一起去火锅店，想发朋友圈，怎么拍照才好看？超详细的火锅店拍照技巧来啦，有需要的朋友接着往下看。拍美食想要拍出好看的美食照，需要注意这两点：①等菜齐了再拍。（先拍后吃）②上锅底后，不要着急烧开，沸腾的锅底，拍出来的照片会显得不清爽。▲左边看上去更清爽拍美食，最常见的角度有平视、俯拍和45°角。多换几个角度拍，方便后期选片。另外，要避开不必要的人，物，以免影响画面美感。拍摄时可以用筷子夹起食物，或者是加入手部动作，比起单纯的拍美食，这样更有互动感。拍人像火锅店一般人比较多，要想出片，尽量选择角落，窗边这些地方。实在不行，就选择不是饭点的时间去，人会少一点。比如下面这两张照片，左边的，选择在大厅中央位置，拍照时很容易将身后的顾客也拍进镜头，而右边的，则选择坐在角落位置，身后相对干净，交代环境的同时，也不会干扰主体人像。拍人像最难的就是怎么摆姿势，我的建议就是把身边能用的道具全部用起来。拿起筷子夹菜，拿着水杯喝水，玩手机...多拍几张，总能选到喜欢的。或者拿起水杯和你的摄影师干一杯。采用俯拍的方式，更能简洁画面。用手做一个框架，将主体人像框起来，充满创意。一个人拍照可能会有点放不开，但是和闺蜜一起就会好很多啊。你喂我一口，我喂你一口；一起干杯...充分利用手边的道具，自然又很舒服。

等桌时，也可以拍几张和店内环境的合照。

好啦，以上就是今天给大家分享的有关于火锅店拍照技巧，赶紧分享给你的吃伴吧，一起去火锅店打卡拍照。

举报/反馈

老外冲在重庆救火一线，一番话感动众人：家在这，该为城市出力

作者：火闻视频

发布时间：2022-08-25 18:38

快照：

近日，一位在重庆定居的外国友人，乘坐摩托车手持油锯，参与重庆救火的视频引发了网友热议。不少人在视频下指责老外此举目的不纯，是为了蹭热度。目前当事人也对这件事做出了回应。

积极参加救援活动

据上游新闻报道，这位好心人是西南大学的副教授，学生们都亲切的称其为“老福”。“老福”在接受采访的时候说道：自己很早之前就在这里定居，他已经把这座城市当作自己的家，为城市出力是一件很正常的事。

据老福爆料，8月23日，有人在聊天群里转发招募志愿者的信息，他看到之后就立马给负责人打电话，并且告诉对方自己在国外使用过油锯，可以为参与救火的人员提供帮助。

第二天老福就顺理成章地成为了一名志愿者。他背着工具和急救箱，并召集了当地大学其他几位热心老师，一起参加此次救援活动。

感人事迹

他们上山之后，主要负责机械工具的安装和调试。在如此炎热的天气下，他一坚持就是五个小时，他们前前后后一共安装了50台油锯。在完成工作之后，老福还主动申请加入锯树的队伍，希望可以继续留下来帮忙。

据老福的妻子梁女士爆料，8月24日，老福又加入了救火服务志愿群，一大早就拿着工具上山了。

梁女士告诉记者，老福是一个很有爱心的人。之前在国外的时候，就曾多次帮助贫困家庭修房子，看见有患重病的孩子，也会将自己的钱捐出来做公益等等。来到中国后还免费给农村的孩子们上课......

在梁女士看来，虽然老福中国话不标准，二人生活也存在很大的差异，但老福的善良时时刻刻都影响着她，让她可以不在乎生活中的那些琐碎，愿意为了丈夫做出改变。

在记者问到老福对重庆的看法时，老福表示：重庆人非常热情友好，这里不仅交通便利，还适合久居，他下一步的计划就是长久的待在这里，在这里好好生活下去。

举报/反馈

差距！“老外救火”刷屏网络，一番话感动众人：家在，就该出力

作者：麦小疯讲社会故事

发布时间：2022-08-25 23:25

快照：

各行各业的人奔赴重庆救火一线，教职工、外卖员、工人等等，他们在这里有了一个特殊的统称——志愿者。此时一位特殊的志愿者进入人们的视野，为了找他，网友不惜在网络上刷屏。他究竟是谁？

他没有黄皮肤，没有黑色的眼睛，也没有黑色的头发，这种形容大家都想到了吧。没错，他是个老外，带着一副眼镜，连灰色的衣服都湿透了，分不清到底到底是水，还是汗水。他的出现在网上引发热议：爱心不分国界。有意思的是网上闹得沸沸扬扬，老外却对此一无所知。这位老外是何许人也？又为什么会出现在救火现场呢？

老外看到朋友圈里转发的视频发现吃瓜竟然吃到了自己的身上，视频中显示的正是一个小伙子开着摩托车带他上山的时候。对于自己能这么火，老外也是很惊讶。之后他所说的一番话，令人感动。

原来这位老外是一名西南大学的外教，他说没想到会出名，不过因为自己是一名老师，孩子老婆也在重庆，这是在保护自己的家，没啥特殊的。家在这里，为此出力也是应该。对于他为什么会出现在那里，老外也给出了解释。

他说是看到了，有人在群里召集志愿者，自己刚好会用油锯，就叫上了几个学校的人去当志愿者了。据了解这位老外不会中文，只能靠翻译才能与别人沟通，但这丝毫不影响他的热情。和被人一起安装调试了50台工具，还自发去帮忙。这老外与老外的差距怎么就这么大呢？同样是外国人，同样是在中国做外教，这做出来的事情可是天差地别。

说到来中国做外教的人，相信有不少人想到了那个宁波某学院的黑人外教，不仅谎称离异单身想和女学生建立恋爱关系，被拒绝还剥夺了一个她生的机会。

说实话因为网上经常曝光出一些老外的负面消息，让网友们对于老外的感官并不是很好，以至于只要贴上老外标签的消息出现，便引来无数人无差别的攻击，哪怕对方并没有错。比如说，中国女孩找了一个中国男孩结婚离婚了的消息，在网上根本掀不起风浪，但如果女孩找了一个外国男孩，并跟随他远赴他乡去异国生活，一旦离婚，说老外花心的言论绝对不会比女孩拜金的言论少，根本不会在意错的是不是老外。

麦小疯的观点：

我们因为网上的一些负面消息，不看好来中国的老外，相信此次老外救火的事件，也让不少人能谨慎发言，不让这个好老外寒心，而这样一个正能量的消息也让我们知道，不能一竿子打翻一船人。

有些老外喜欢中国文化，并且为此扎根异国他乡，他们远离故土在中国娶妻生，他们也同样拥有一腔爱国的热血，也和我们一样深爱着中国，虽然他们和我们有不同的肤色，语言，文化，但不妨碍他们和我们一样有一颗热爱祖国的心。而且爱心是不分国界的，就算是老外，也会在看到自己所在的城市发生危险时，奔赴一线为自己所在的土地，贡献出一份力量。这对于老外来说是一种难忘的经历，这何尝不是种榜样。

让我们不会因为几个外国人在中国做的错事，就否定所有外国人，最起码以后会有人在看到外国人的负面消息时会想到，不是所有外国人都是如此，就像中国人也有好坏之分，老外也是普通人不是吗？上文中这位老外说他就是重庆人了，社保也交了，该为这里尽力，在重庆退休，养老是他计划中的下一步。而我们对待这种善良的外国人要做到的也只有学会不以偏概全的否认所有人，给他们一份归属感，相信这也是老外们所希望的。

麦小疯寄语：爱无国界，感谢每一份善良，谢谢每一位站在救援前线的人，也感谢在背后默默支持付出的人，始终相信邪不压正。

讨论话题：对此您怎么看，欢迎在评论区留下你的观点，我们一起讨论。

举报/反馈