def put_best_model_in_production(model_metrics, db_name):
"""
Función para poner el mejor modelo en producción.
Args:
model_metrics (dict): Info del modelo.
db_name (str): Nombre de la base de datos.
"""
# conexión a la base de datos elegida
db = client.get_database(db_name)
# consulta para traer el documento con la info del modelo en producción
query = Query(db, selector={'status': {'$eq': 'in_production'}})
res = query()['docs']
# id del modelo en producción
best_model_id = model_metrics['_id']
# en caso de que SÍ haya un modelo en producción
if len(res) != 0:
# se realiza una comparación entre el modelo entrenado y el modelo en producción
best_model_id, worse_model_id = get_best_model(model_metrics, res[0])
# se marca el peor modelo (entre ambos) como "NO en producción"
worse_model_doc = db[worse_model_id]
worse_model_doc['status'] = 'none'
# se actualiza el marcado en la BDD
worse_model_doc.save()
else:
# primer modelo entrenado va a automáticamente a producción
print('------> FIRST model going in production')
# se marca el mejor modelo como "SÍ en producción"
best_model_doc = db[best_model_id]
best_model_doc['status'] = 'in_production'
# se actualiza el marcado en la BDD
best_model_doc.save()
def load_model_config(db_name):
"""
Función para cargar la info del modelo desde IBM Cloudant.
Args:
db_name (str): Nombre de la base de datos.
Returns:
dict. Documento con la configuración del modelo.
"""
db = client.get_database(db_name)
query = Query(db, selector={'_id': {'$eq': 'model_config'}})
return query()['docs'][0]
def save_model_info(db_name, metrics_dict):
"""
Función para guardar la info del modelo en IBM Cloudant
Args:
db_name (str): Nombre de la base de datos.
metrics_dict (dict): Info del modelo.
Returns:
boolean. Comprobación de si el documento se ha creado.
"""
db = client.get_database(db_name)
client.create_document(db, metrics_dict)
return metrics_dict['_id'] in db
def get_best_model_info(db_name):
"""
Función para cargar la info del modelo de IBM Cloudant
Args:
db_name (str): base de datos a usar.
Kwargs:
bucket_name (str): depósito de IBM COS a usar.
Returns:
dict. Info del modelo.
"""
db = client.get_database(db_name)
query = Query(db, selector={'status': {'$eq': 'in_production'}})
return query()['docs'][0]
def load_data_config(db_name):
"""
Función para cargar la info del modelo desde IBM Cloudant.
Args:
db_name (str): Nombre de la base de datos.
Returns:
dict. Documento con la configuración del modelo.
"""
db = client.get_database(db_name)
query = Query(db, selector={'_id': {'$eq': 'data_config'}})
return query()['docs'][0]
# class CustomUnpickler(pickle.Unpickler):
#
# def find_class(self, module, name):
# if name == 'Scaler':
# from app.src.data.pipeline_fn import Scaler
# return Scaler
# elif name == 'HogFeaturesExtraction':
# from app.src.data.pipeline_fn import HogFeaturesExtraction
# return HogFeaturesExtraction
# return super().find_class(module, name)