本日Reddit熱議：開源機器學習管理平臺TRAINS。據開發者介紹，該平臺能夠通過中央服務器集中記錄管理ML模型的一切信息，整合方便，與主流框架無縫對接，僅用兩行代碼即可啟用，相關Demo和GitHub資源已開放。

今天Reddit頭號熱帖看起來像是一條廣告：這是一個ML團隊自家開發的模型管理平臺，名字很別致，叫“TRAINS”，很直觀有沒有？

帖子作者是開發團隊成員之一，上來第一句就很耿直：現在機器學習模型管理平臺很多，要不要來試試我們剛開源這個？

簡單介紹一下，這個平臺名叫TRAINS，我們團隊沒有營銷team，所以我作為開發團隊一員，先發到reddit上讓你們先試試看了！

你這平臺最大特點是啥？使用簡便！只需在腳本中添加兩行代碼，模型、性能指標、超參數就盡在掌握了。

話說回來，只要分享的東西好用，作為“美國貼吧”的Reddit上的網友其實并不拒絕廣告，下邊網友就開始提問了，比如：

我現在還沒進GitHub里詳細查看，不如你簡單介紹一下這個TRAINS平臺和現有其他機器學習模型管理平臺，比如和Sacred的區別、或者說是特別之處在哪兒呢？

Sacred平臺模型調試面板

樓主表示這個問題問的好。他表示，主要有六點區別：

TRAINS整合整個資源庫只需兩行代碼，如果是Scared的話，需要為每個函數添加修飾器，記錄每個量度和超參數，顯示整合非常麻煩。

TRAINS還會自動將git repo和commit與實驗中的訓練過程連接起來。（據我所知，這在Sacred中是辦不到的，至少不容易實現）

TRAINS自動記錄模型并在集中的位置創建副本，團隊可以輕松地對模型和初始權重進行共享。（使用Sacred只能手動執行操作，只能在共享文件夾上共享。）

TRAINS界面美觀，連續幾小時看著不累眼睛。

TRAINS允許用戶從Python式的界面中輕松查詢實驗數據和指標。

TRAINS還允許用戶直接訪問mongoDB和elasticsearch數據庫，以便更深入地了解系統。

不過，作者Reddit上的回復中對TRAINS的介紹比較簡略，我們還可以去GitHub上看看。

GitHub上的介紹就直接多了，介紹說明文檔中直接將TRAINS稱為一套“神奇的自動化AI實驗管理器和版本控制器。”

即使是才華橫溢的科學家，工程師或開發人員，在獨立工作時都難免被復雜的流程搞得一團亂麻。機器學習的工作流程是可以管理的。隨著時間的推移和項目人手的增加，管理的混亂會降低生產力。隨著項目向生產方向發展，必須通過可見性和出處（provenance）來擴展深度學習的研究成果。

不論是對于團隊還是企業，TRAINS都能將所有內容記錄在一個中央服務器中，并實現可視化和出處，這樣生產力就不會受到影響。TRAINS可以記錄和管理各種深度學習研究的模型負載，并且幾乎不需要付出集成成本。

我們專門設計了TRAINS，能夠輕松集成模型參數，團隊可以保留現有的方法和實踐。可以每天使用TRAINS來增強團隊協作，提升可視化程度，還可以用來將實驗日志、輸出和數據收集到一個集中式的中央服務器上。

Demo地址：https://demoapp.trainsai.io （需要注冊）

究竟神奇在哪呢？以下是作者團隊總結的TRAINS的主要特點。

TRAINS是我們解決機器學習/深度學習領域中與無數其他研究人員和開發人員分享的問題的方法：培訓生產級深度學習模型是一個光榮而又混亂的過程。TRAINS通過關聯代碼版本控制、研究項目、性能指標和模型出處來跟蹤和控制流程。

無縫兼容常用框架，一站式記錄所有模型數據

現在就能用

TRAINS免費開源，只需要兩行代碼即可完全集成。

可與其他常用工具一起使用

TRAINS與現有主要框架無縫集成，包括：PyTorch、TensorFlow、Keras和其他即將推出的框架支持Jupyter Notebook和PyCharm遠程調試

TRAINS服務器和使用TRAINS python包的GPU訓練機器的交互過程

記錄一切：讓機器學習實驗真正可重復

自動關聯模型+代碼+參數+初始權重的模型日志記錄

自動在集中存儲上創建模型副本（支持共享文件夾、S3、GS，Azure即將推出！）

共享與合作

多用戶過程跟蹤與合作

中心服務器能夠整合日志、記錄和通用統計數據

提高生產力

全面的實驗數據比對，代碼貢獻、初始權重、超參數和量度結果等。

組織與管理

管理并組織項目中的實驗

查詢能力。通過結果量度對實驗進行分類和篩選。

更多特色

通過網頁應用，利用遠程機器終止實驗

提供經過現場測試的功能豐富的SDK，可滿足用戶的即時定制化需求

有關TRAINS機器學習模型管理平臺的更多詳情，可參閱GitHub資源：https://github.com/allegroai/trains