Pipelines anzeigen¶

DVC stellt eine Pipeline intern als gerichtete azyklische Graphen (engl.: DAG dar.

Siehe auch

Ihr könnt dvc dag verwenden, um Pipelines zu visualisieren oder zu exportieren:

$ uv run dvc dag

    +-------------------+
    | data/data.xml.dvc |
    +-------------------+
              *
              *
              *
          +-------+
          | split |
          +-------+
              *
              *
              *
        +-----------+
        | featurize |
        +-----------+
         **        **
       **            *
      *               **
+-------+               *
| train |             **
+-------+            *
         **        **
           **    **
             *  *
        +----------+
        | evaluate |
        +----------+

Mit dvc dag --dot kann auch eine .dot-Datei für Graphviz generiert werden:

Mit dvc status könnt ihr euch anzeigen lassen, ob die Stufen oder lokale und entfernte Speicher geändert wurden:

$ uv run dvc status
evaluate:
    changed deps:
        modified:           src/dvc_example/evaluate.py
    changed outs:
        modified:           eval

Siehe auch

dvc status

In CI-Jobs soll üblicherweise überprüft werden, ob die Pipeline auf dem neuesten Stand ist, ohne etwas abzurufen oder auszuführen. Mit dvc repro --dry erfahrt ihr, welche Pipeline-Stufen ausgeführt werden müssten. Wenn jedoch Daten fehlen, schlägt der Befehl fehl. Wenn fehlende Daten ignoriert werden sollen, könnt ihr dvc repro --dry --allow-missing verwenden.

$ uv run dvc repro --allow-missing --dry
'data/data.xml.dvc' didn't change, skipping
Stage 'prepare' didn't change, skipping
Stage 'featurize' didn't change, skipping
Stage 'train' didn't change, skipping
Stage 'evaluate' is cached - skipping run, checking out outputs
Running stage 'evaluate':
> uv run python src/dvc_example/evaluate.py model.pkl data/features
Use `dvc push` to send your updates to remote storage.