By Nava Levi, Consulente per gli sviluppatori, AI/ML
Google Cola è un popolare ambiente basato su browser per l'esecuzione di codice Python su notebook Jupyter ospitati e modelli di training per l'apprendimento automatico, incluso l'accesso gratuito alle GPU! È un'ottima piattaforma per data scientist e ingegneri di machine learning (ML) per l'apprendimento e lo sviluppo rapido di modelli ML in Python. Redis è un database open source in memoria che viene sempre più utilizzato nell'apprendimento automatico, dalla memorizzazione nella cache, alla messaggistica e all'acquisizione rapida di dati, alla ricerca semantica e negozi di funzionalità online. Infatti, i database NoSQL, e in particolare Redis, sono stati nominati da Ben Weber, Direttore di Applied Data Science presso Zynga come uno dei 8 nuovi strumenti che ha appreso come scienziato dei dati in 2020.
Redis con Colab per l'apprendimento automatico
A causa del crescente utilizzo di Redis per la scienza dei dati e l'apprendimento automatico, è molto utile poter eseguire Redis direttamente dal tuo notebook Google Colab! Tuttavia, eseguire Redis su Google Colab è diverso da come lo configureresti sul tuo computer locale o utilizzando Docker. Di seguito ti mostrerò come in due semplici passaggi puoi eseguire Redis sul tuo notebook Colab, il tutto direttamente dal tuo browser.
Immagine creata dall'autore utilizzando il logo Colab (Crediti immagine: Medio) e il logo Redis (giusto uso)
Installazione ed esecuzione di Redis su Colab
Passo 1: installazione
Per installare Redis e il client Redis Python:
%pip installa redis-server redis
*Mentre i notebook Jupyter supportano molte lingue, Colab supporta solo Python. Per usare Redis con Python, avete bisogno di un client Redis Python. In questo tutorial dimostriamo l'uso di redis-py, un client Redis Python, che installiamo utilizzando il file %pip install redis
comando.
**Puoi eseguire un comando shell in Jupyter Notebook o Google Colab con IPython anteponendolo a ! carattere o % per usare i comandi magici. Un elenco di utili comandi magici per i data scientist è descritto nell'articolo: i primi 8 comandi magici in Jupyter Notebook.
Passaggio 2: avviare il server Redis
Per avviare l'esecuzione del server Redis:
import redis_server !$redis_server.REDIS_SERVER_PATH --daemonize sì
In alternativa puoi avviare il server Redis senza comandi shell, usando un sottoprocesso Python:
import subprocess
import redis_server
subprocess.Popen([redis_server.REDIS_SERVER_PATH])
Questo è tutto! È così semplice.
Connessione al server Redis e alle funzioni di comando Redis
Diamo ora un'occhiata ai comandi di cui avremo bisogno per verificare che Redis sia in esecuzione, connetterci ad esso e leggere e scrivere dati.
Verifica che Redis sia in esecuzione
Se vuoi verificare che Redis sia attivo e funzionante puoi connetterti al server ed eseguire il "comando PING". Creiamo una connessione a Redis usando il client Python redis-py e quindi eseguiamo il "ping" del server:
import client redis = redis.Redis(host = 'localhost', port=6379) client.ping()
Se ottieni True, allora sei a posto!
Codice di esempio per i comandi Redis
Una volta connesso a Redis, puoi leggere e scrivere dati con le funzioni di comando Redis. In questo esempio utilizziamo Redis come a database dei valori chiave (chiamato anche archivio valori chiave). Il seguente frammento di codice assegna la barra del valore al tasto Redis foo, lo rilegge e lo restituisce:
client.set('pippo', 'bar') client.get('pippo')
Sommario
In questo post del blog abbiamo visto come eseguire il database Redis su Google Colab, tutto dal tuo browser! Abbiamo prima installato Redis e il client Redis Python, quindi avviato il server Redis e verificato che sia in esecuzione creando una connessione ad esso. Infine abbiamo visto come leggere e scrivere dati dal database Redis utilizzando le funzioni di comando Redis. Se vuoi giocare tu stesso con i comandi, ecco un link al Redis con il taccuino Colab che include il codice in questo tutorial.
Nava Levi è Developer Advocate per Data Science e MLOps presso Redis. Ha iniziato la sua carriera nel settore tecnologico con un'unità di ricerca e sviluppo nell'IDF e in seguito ha avuto la fortuna di lavorare e sostenere le tecnologie Cloud, Big Data e DL/ML/AI proprio mentre l'ondata di ciascuna di queste stava iniziando. Nava è anche un mentore presso l'acceleratore MassChallenge e il fondatore di LerGO, un'impresa EdTech basata sul cloud. Nel tempo libero le piace andare in bicicletta, giocare a 4 palle e leggere libri di fantasia e fantascienza.
Fonte: https://www.kdnuggets.com/2022/01/running-redis-google-colab.html