赞助文章
机器学习中最大的问题之一是在ML项目上协作的能力。缺乏一个单一的协作平台，分散的数据集和模型进一步加剧了这个问题。
Layer帮助你建立、训练和跟踪你所有的机器学习项目元数据，包括ML模型和数据集的语义版本，广泛的工件记录，以及动态报告与本地↔云训练
现在就为你的ML项目启用元数据存储!
将Layer添加到你现有的ML代码中，并迅速获得一个丰富的模型和数据注册表，并进行实验跟踪
@model()
用模型装饰器来包装你的模型训练函数，将存储和版本所产生的模型到Layer。这有助于你用语义版本管理你的模型的生命周期。然后，该模型可以立即被获取并用于预测。
@dataset()
将dataset装饰器添加到你的数据创建函数中，会将生成的数据保存到Layer中。Layer将对数据进行语义化，使你的管线具有可重复性。Layer支持表格和图像数据集。
@assert()
机器学习中的测试可以确保你有无错误的管道。为了帮助你实现这一点，Layer已经创建了一个断言列表。为了给你的ML模型添加一个行为测试，或者给你的数据集添加一个单元测试，你只需要在你的代码中添加适当的断言装饰器。
layer.log()
记录指标、表格、图片、markdown/html内容、Streamlit/Gradio应用程序，以及机器学习实验的一切。然后将你的结果与你以前的实验版本进行比较。
layer.run()
Layer是一个先进的ML元数据存储和管道运行器。你可以使用Layer基础设施来无缝构建你的数据集，训练你的模型，并存储你的结果模型和数据集工件。这在以下情况下特别有用。
- 你的训练数据太大，无法装入你的本地机器。
- 你的模型需要特殊的基础设施，如高端的GPU，而这些基础设施太昂贵了，无法永久地提供。
社区!
我们的社区页面上有许多模型、数据集和项目，可以帮助你开始使用Layer。
这里有一些资源可以让你快速入门。
请访问layer.ai，现在就开始构建!不要忘记加入我们的Slack社区，并在Twitter和Linkedin上关注我们的资源、活动和更多信息。
