# @dvcorg/cml 中文文档 规范地址：https://npmcn.com/package/%40dvcorg/cml/ 版本：0\.20\.6 npm 元数据更新时间：2024-10-24T14:06:01.065Z 中文译文更新时间：2026-11-13T01:11:24.412Z 软件包许可：Apache-2\.0 本文由上游 README 翻译，可能存在偏差，请结合原文核对 API、命令与配置。版权与许可归原作者所有。 原始 npm 页面：https://www.npmjs.com/package/%40dvcorg/cml 原文对照：https://npmcn.com/package/%40dvcorg/cml/?lang=original 项目主页：https://github.com/iterative/cml#readme 源码仓库：https://github.com/iterative/cml ## 关键信息（来自 npm 元数据） - 包体积（解压后）：295 kB，82 个文件 - 模块格式：CommonJS - TypeScript 类型：未声明 - Node.js 要求：\>=16\.0\.0 - 运行依赖：38 个 - 首次发布：2020-05-11T12:27:42.628Z - 最新版本发布：2024-10-24T14:06:00.774Z - 近 30 天下载量：2933（2026-10-13 至 2026-11-11，npm 官方下载统计） - 已发布版本数：159（近 12 个月 0 个） ## 中文简介 ![](https://static.iterative.ai/img/cml/title_strip_trim.png) ## 安装 ```sh npm install @dvcorg/cml ``` 也可以使用：`pnpm add @dvcorg/cml`、`yarn add @dvcorg/cml`、`bun add @dvcorg/cml` ## README ![](https://static.iterative.ai/img/cml/title_strip_trim.png) [![GHA](https://img.shields.io/github/v/tag/iterative/setup-cml?label=GitHub%20Actions&logo=GitHub)](https://github.com/iterative/setup-cml) [![npm](https://img.shields.io/npm/v/@dvcorg/cml?logo=npm)](https://www.npmjs.com/package/@dvcorg/cml) **什么是CML? - 是什么? - 是什么? - What is CML?** 连续机器学习(CML)是一个开源 CLI 工具 执行连续一体化和交付(CI/CD),重点是 (原始内容存档于2018-09-29). MLOPS. 用于自动化开发工作流程——包括机器 提供、示范培训和评价,比较跨行业的ML实验 项目历史,以及监测不断变化的数据集. CML 可以帮助训练和评价模型——然后生成一个可视化报告,其中 结果和衡量标准——在每次拉出请求时自动. ![](https://static.iterative.ai/img/cml/github_cloud_case_lessshadow.png) _一个 示例报告 [神经风格传输模式](https://github.com/iterative/cml_cloud_case)。 。 。 ._ CML 原则 : - **[吉特风](https://nvie.com/posts/a-successful-git-branching-model) 数据 科学.** 使用 GitLab 或 GitHub 来管理 ML 实验, 跟踪培训 ML 的操作者 模型或修改后的数据和时间。 将数据和模型编码为 [家庭暴力中心](https://npmcn.com/package/%40dvcorg/cml/#readme-using-cml-with-dvc) 而不是推动一个Git Repo. - **用于ML实验的自动报告.** 带有计量标准的自动生成报告 每个 Git 拖放请求中的地块 。 严格的工程实践帮助你的团队 作出知情、由数据驱动的决定. - **没有额外服务.** 使用 GitLab 建立自己的 ML 平台, Bitbucket,或叫"GitHub". 可选使用 [云存储](https://npmcn.com/package/%40dvcorg/cml/#readme-configuring-cloud-storage-providers) 以及两个 自行托管或云跑道(如AWS EC2或Azure). 没有数据库, 需要服务或复杂的设置. 问:需要帮助吗? 只想谈谈ML的连续整合? [访问我们的Discord频道!](https://discord.gg/bzA6uY7) : play or 暂停 按钮:检查我们的 [YouTube视频系列](https://www.youtube.com/playlist?list=PL7WG7YrwYcnDBDuCkFbcyjnZQrdskFsBz) 使用 CML 操作的 MLOPs 教程 ! ## 目录 1. [设置( GitLab, GitHub, Bitbucket) Name](https://npmcn.com/package/%40dvcorg/cml/#readme-setup) 2. [使用量](https://npmcn.com/package/%40dvcorg/cml/#readme-usage) 3. [正在启动( 教程)](https://npmcn.com/package/%40dvcorg/cml/#readme-getting-started) 4. [使用 DVC 的 CML](https://npmcn.com/package/%40dvcorg/cml/#readme-using-cml-with-dvc) 5. [高级设置( 自动托管, 本地软件包)](https://npmcn.com/package/%40dvcorg/cml/#readme-advanced-setup) 6. [实例项目](https://npmcn.com/package/%40dvcorg/cml/#readme-see-also) ## 设置 你需要一个GitLab,GitHub,或者Bitbucket账户开始. 用户可能希望 熟悉情况 [Github 动作](https://help.github.com/en/actions) 或者说 [GitLab CI/光盘](https://about.gitlab.com/stages-devops-lifecycle/continuous-integration)。 。 。 . 在这里,将讨论GitHub的使用案例. ### 吉特拉布语Name 请看文件 [带 GitLab CI/CD 的 CML](https://github.com/iterative/cml/wiki/CML-with-GitLab) 特别是 [个人访问令牌](https://github.com/iterative/cml/wiki/CML-with-GitLab#variables) 页:1. ### 键盘 请看文件 [带 Bitbucket 云的 CML](https://cml.dev/doc/usage?tab=Bitbucket)。 。 。 . ### GitHub 图像 任何 CML 项目中的密钥文件是 `.github/workflows/cml.yaml`数字 : ```yaml name: your-workflow-name on: [push] jobs: run: runs-on: ubuntu-latest # optionally use a convenient Ubuntu LTS + DVC + CML image # container: ghcr.io/iterative/cml:0-dvc2-base1 steps: - uses: actions/checkout@v3 # may need to setup NodeJS & Python3 on e.g. self-hosted # - uses: actions/setup-node@v3 # with: # node-version: '16' # - uses: actions/setup-python@v4 # with: # python-version: '3.x' - uses: iterative/setup-cml@v1 - name: Train model run: | # Your ML workflow goes here pip install -r requirements.txt python train.py - name: Write CML report env: REPO_TOKEN: ${{ secrets.GITHUB_TOKEN }} run: | # Post reports as comments in GitHub PRs cat results.txt >> report.md cml comment create report.md ``` ## 使用量 我们帮助提供了 CML 和其他有用的图书馆 预先安装在我们的 [自定义嵌入图像](https://github.com/iterative/cml/blob/mains/Dockerfile)。 。 。 . 在上述例子中,没有评论的领域 `container: ghcr.io/iterative/cml:0-dvc2-base1`会让跑者拉出 CML Docker 图像 。 该图像已经设置了节点JS、 Python 3、 DVC 和 CML 方便使用 Ubuntu LTS 基础. ### CML 函数 CML 提供一些功能来帮助包装 ML 工作流程的产出 (包括数字数据和关于模型性能的可视化) 报告. 以下是用于撰写下调报告和交付的 CML 函数表 报告给你的CI系统. | 函数 | 说明 | 示例输入 | | --- | --- | --- | | `cml runner launch` | 在当地或由云提供商主持发射跑道 | 见 [参数](https://github.com/iterative/cml#arguments) | | `cml comment create` | 返回 CML 报告作为您 GitLab/ GitHub 工作流程中的评论 | ` --head-sha ` | | `cml check create` | 返回 CML 报表作为 GitHub 的检查 | ` --head-sha ` | | `cml pr create` | 将给定的文件提交到新分支并创建拉动请求 | `...` | | `cml tensorboard connect` | 返回链接到 Tensorboard 。 dev 页 | `--logdir --title --md` | #### CML 报告 这个 `cml comment create` 命令可用于发布报告。 CML 报告为 以下标写( i)[GitHub 图像](https://github.github.com/gfm), (中文(简体) ), [吉特拉布语Name](https://docs.gitlab.com/ee/user/markdown.html),或 [键盘](https://confluence.atlassian.com/bitbucketserver/markdown-syntax-guide-776639995.html) 风味。 这意味着它们可以包含图像,表格,格式化的文本,HTML 块, 代码片段, 以及更多—— 实际上, 您在 CML 报告中给出的内容是 你吗? 一些例子: : sspiral 注解: **文本** 用你喜欢的方法写报告. 例如,复制包含 ML 模型结果的文本文件的内容 培训: ```bash cat results.txt >> report.md ``` : 框架 图片 : **图像** 使用下标或 HTML 显示图像。 请注意: 如果图像是您 ML 工作流程的输出( 即由您生成) 工作流程,可以上传并自动包含到您的CML报告. 对于 示例,如果 `graph.png` 输出为 `python train.py`,运行 : ```bash echo "![](./graph.png)" >> report.md cml comment create report.md ``` ### 开始 1. 我们的叉子 [实例项目存储器](https://github.com/iterative-test/cml-example-base)。 。 。 . > :警告:注意,如果你使用GitLab, [您需要创建个人访问托肯](https://github.com/iterative/cml/wiki/CML-with-GitLab#variables) 这个例子可以发挥作用. ![](https://static.iterative.ai/img/cml/fork_project.png) > : warning: GitHub 浏览器界面中可以全部完成以下步骤. 但是,为了配合命令 我们建议克隆你的叉子 您的本地工作站: ```bash git clone https://github.com//example_cml ``` 2. 要创建 CML 工作流程, 请将以下内容复制到新文件 , `.github/workflows/cml.yaml`数字 : ```yaml name: model-training on: [push] jobs: run: runs-on: ubuntu-latest steps: - uses: actions/checkout@v3 - uses: actions/setup-python@v4 - uses: iterative/setup-cml@v1 - name: Train model env: REPO_TOKEN: ${{ secrets.GITHUB_TOKEN }} run: | pip install -r requirements.txt python train.py cat metrics.txt >> report.md echo "![](./plot.png)" >> report.md cml comment create report.md ``` 3. 在您选择的文本编辑器中,编辑 `train.py` 改为 `depth = 5`。 。 。 . 4. 提交并推进更改 : ```bash git checkout -b experiment git add . && git commit -m "modify forest depth" git push origin experiment ``` 5. 在 GitHub 中,打开拉动请求以比较 `experiment` 分支改为 `main`。 。 。 . ![](https://static.iterative.ai/img/cml/make_pr.png) 很快,你应该看到一个评论 从 `github-actions` 显示在拉出 请使用您的 CML 报告。 这是由于 `cml send-comment` 函数在工作流程中. ![](https://static.iterative.ai/img/cml/first_report.png) 这是CML工作流程的大纲: - 您将更改推向您的 GitHub 仓库, - 您的工作流程中 `.github/workflows/cml.yaml` 文件会运行,以及 - 生成报告并张贴到 GitHub. CML 函数允许您显示工作流程的相关结果, 如模型 性能测量和可视化——用GitHub的检查和评论. 什麽 您想要运行的工作流程, 并想要在您的 CML 报告中显示, 最多 你吗. ### 使用 DVC 的 CML 在许多ML项目中,数据不是存储在Git寄存器中,而是需要存储 从外部来源下载. [家庭暴力中心](https://dvc.org/) 是一种常见的方法 将数据带入您的 CML 运行程序 。 DVC 也允许您直观地看到测量值的不同 承诺做这样的报告: ![](https://static.iterative.ai/img/cml/dvc_long_report.png) 这个 `.github/workflows/cml.yaml` 用于创建此报表的文件是 : ```yaml name: model-training on: [push] jobs: run: runs-on: ubuntu-latest container: ghcr.io/iterative/cml:0-dvc2-base1 steps: - uses: actions/checkout@v3 - name: Train model env: REPO_TOKEN: ${{ secrets.GITHUB_TOKEN }} AWS_ACCESS_KEY_ID: ${{ secrets.AWS_ACCESS_KEY_ID }} AWS_SECRET_ACCESS_KEY: ${{ secrets.AWS_SECRET_ACCESS_KEY }} run: | # Install requirements pip install -r requirements.txt # Pull data & run-cache from S3 and reproduce pipeline dvc pull data --run-cache dvc repro # Report metrics echo "## Metrics" >> report.md git fetch --prune dvc metrics diff main --show-md >> report.md # Publish confusion matrix diff echo "## Plots" >> report.md echo "### Class confusions" >> report.md dvc plots diff --target classes.csv --template confusion -x actual -y predicted --show-vega main > vega.json vl2png vega.json -s 1.5 > confusion_plot.png echo "![](./confusion_plot.png)" >> report.md # Publish regularization function diff echo "### Effects of regularization" >> report.md dvc plots diff --target estimators.csv -x Regularization --show-vega main > vega.json vl2png vega.json -s 1.5 > plot.png echo "![](./plot.png)" >> report.md cml comment create report.md ``` > :警告:如果使用有云存储的DVC,请注意环境 变量. #### 配置云存储提供者 还有很多 [支持的存储提供者](https://dvc.org/doc/command-reference/remote/modify#available-parameters-per-storage-type)。 。 。 . 以下是一些最常用供应商的几个例子: S3和S3兼容存储器(Minio, DigitalOcean Spaces, IBM Cloud Object 存储器.) ```yaml # Github env: AWS_ACCESS_KEY_ID: ${{ secrets.AWS_ACCESS_KEY_ID }} AWS_SECRET_ACCESS_KEY: ${{ secrets.AWS_SECRET_ACCESS_KEY }} AWS_SESSION_TOKEN: ${{ secrets.AWS_SESSION_TOKEN }} ``` > : 点 右: `AWS_SESSION_TOKEN` 是可选的. > : 点 右: `AWS_ACCESS_KEY_ID` 财务报告和审定财务报表 `AWS_SECRET_ACCESS_KEY` 也可以使用 以 `cml runner` 以启动EC2实例。 见\[环境变 . 阿苏雷 ```yaml env: AZURE_STORAGE_CONNECTION_STRING: ${{ secrets.AZURE_STORAGE_CONNECTION_STRING }} AZURE_STORAGE_CONTAINER_NAME: ${{ secrets.AZURE_STORAGE_CONTAINER_NAME }} ``` 阿里云 ```yaml env: OSS_BUCKET: ${{ secrets.OSS_BUCKET }} OSS_ACCESS_KEY_ID: ${{ secrets.OSS_ACCESS_KEY_ID }} OSS_ACCESS_KEY_SECRET: ${{ secrets.OSS_ACCESS_KEY_SECRET }} OSS_ENDPOINT: ${{ secrets.OSS_ENDPOINT }} ``` 谷歌存储 > :警告:通常情况下, `GOOGLE_APPLICATION_CREDENTIALS` 这是 **路径** 会 议 日 程 和 议 程 `json` 包含证书的文件。 然而在行动中 这个秘密 变量是 **目录** 文档。 复制 `json` 内容并添加 作为秘密. ```yaml env: GOOGLE_APPLICATION_CREDENTIALS: ${{ secrets.GOOGLE_APPLICATION_CREDENTIALS }} ``` 谷歌驱动器 > :警告:在配置后 [谷歌驱动证书](https://dvc.org/doc/command-reference/remote/add) 你会找到一个 `json` 文件位于 `your_project_path/.dvc/tmp/gdrive-user-credentials.json`复制其内容 并加为密可变. ```yaml env: GDRIVE_CREDENTIALS_DATA: ${{ secrets.GDRIVE_CREDENTIALS_DATA }} ``` ## 高级设置 ### 自行主持(现场或云) GitHub Actions默认运行在由GitHub托管的跑者上. 然而,还有 利用GPU, 或者在云中训练. > : 点起: **小费!** 看看这个 [官方 GitHub 文档](https://help.github.com/en/actions/hosting-your-own-runners/about-self-hosted-runners) 开始安排自己的跑道. #### 用 CML 分配云计算资源 当工作流程需要计算资源(例如GPU)时,CML可以 使用 `cml runner`你可以旋转起来 aWS、Azure、GCP或Kubernetes上的例子. 例如,以下工作流程部署a `g4dn.xlarge` 实例在 AWS EC2 并训练一个样板 工作完成后,这个案例 自动关闭. 你可能注意到,这个工作流程与 [基本使用大小写](https://npmcn.com/package/%40dvcorg/cml/#readme-usage) 见上文。 唯一的补充是 `cml runner` 还有几个 将您的云服务证书传递到 工作流程. 请注意: `cml runner` 将自动重新启动您的工作( 无论来自 [GitHub 动作35天工作流程超时](https://docs.github.com/en/actions/reference/usage-limits-billing-and-administration#usage-limits) 或一个 [AWS EC2 点实例中断](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/spot-interruptions.html)) (中文(简体) ). ```yaml name: Train-in-the-cloud on: [push] jobs: deploy-runner: runs-on: ubuntu-latest steps: - uses: iterative/setup-cml@v1 - uses: actions/checkout@v3 - name: Deploy runner on EC2 env: REPO_TOKEN: ${{ secrets.PERSONAL_ACCESS_TOKEN }} AWS_ACCESS_KEY_ID: ${{ secrets.AWS_ACCESS_KEY_ID }} AWS_SECRET_ACCESS_KEY: ${{ secrets.AWS_SECRET_ACCESS_KEY }} run: | cml runner launch \ --cloud=aws \ --cloud-region=us-west \ --cloud-type=g4dn.xlarge \ --labels=cml-gpu train-model: needs: deploy-runner runs-on: [self-hosted, cml-gpu] timeout-minutes: 50400 # 35 days container: image: ghcr.io/iterative/cml:0-dvc2-base1-gpu options: --gpus all steps: - uses: actions/checkout@v3 - name: Train model env: REPO_TOKEN: ${{ secrets.PERSONAL_ACCESS_TOKEN }} run: | pip install -r requirements.txt python train.py cat metrics.txt > report.md cml comment create report.md ``` 在上述工作流程中 `deploy-runner` 级发射 EC2 `g4dn.xlarge` 实例 `us-west` 区域。 这个 `model-training` 步骤然后运行在 新启动的案例。 \[环境变量\] `secrets` 所需经费. > : 塔达: **注意,工作可以使用任何多克容器!** 使用这样的函数 作为 `cml send-comment` 从工作,唯一的要求是 [已安装 CML](https://npmcn.com/package/%40dvcorg/cml/#readme-local-package)。 。 。 . #### Docker 图像 CML Docker 图像 (`ghcr.io/iterative/cml` 或者说 `iterativeai/cml`已装入 与皮森,库达, `git`, (中文(简体) ), `node` 以及完整数据的其他基本内容 科学。 不同版本的这些基本内容可从不同来源获得 图像标记。 标签公约是 `{CML_VER}-dvc{DVC_VER}-base{BASE_VER}{-gpu}`数字 : | `{BASE_VER}` | 软件包括:`-gpu`(中文(简体) ) | | --- | --- | | 0 个 | Ubuntu 18.04, Python 2.7 (CUDA 10.1, CuDNN 7) (中文(简体) ) | | 1个 | Ubuntu 20.04, Python 3.8 (CUDA 11.2, CuDNN 8) (中文(简体) ) | 譬如说, `iterativeai/cml:0-dvc2-base1-gpu`,或 `ghcr.io/iterative/cml:0-dvc2-base1`。 。 。 . #### 参数 这个 `cml runner launch` 函数接受以下参数: ``` --labels One or more user-defined labels for this runner (delimited with commas) [string] [default: "cml"] --idle-timeout Time to wait for jobs before shutting down (e.g. "5min"). Use "never" to disable [string] [default: "5 minutes"] --name Name displayed in the repository once registered [string] [default: cml-{ID}] --no-retry Do not restart workflow terminated due to instance disposal or GitHub Actions timeout [boolean] --single Exit after running a single job [boolean] --reuse Don't launch a new runner if an existing one has the same name or overlapping labels [boolean] --reuse-idle Creates a new runner only if the matching labels don't exist or are already busy [boolean] --docker-volumes Docker volumes, only supported in GitLab [array] [default: []] --cloud Cloud to deploy the runner [string] [choices: "aws", "azure", "gcp", "kubernetes"] --cloud-region Region where the instance is deployed. Choices: [us-east, us-west, eu-west, eu-north]. Also accepts native cloud regions [string] [default: "us-west"] --cloud-type Instance type. Choices: [m, l, xl]. Also supports native types like i.e. t2.micro [string] --cloud-permission-set Specifies the instance profile in AWS or instance service account in GCP [string] [default: ""] --cloud-metadata Key Value pairs to associate cml-runner instance on the provider i.e. tags/labels "key=value" [array] [default: []] --cloud-gpu GPU type. Choices: k80, v100, or native types e.g. nvidia-tesla-t4 [string] --cloud-hdd-size HDD size in GB [number] --cloud-ssh-private Custom private RSA SSH key. If not provided an automatically generated throwaway key will be used [string] --cloud-spot Request a spot instance [boolean] --cloud-spot-price Maximum spot instance bidding price in USD. Defaults to the current spot bidding price [number] [default: -1] --cloud-startup-script Run the provided Base64-encoded Linux shell script during the instance initialization [string] --cloud-aws-security-group Specifies the security group in AWS [string] [default: ""] --cloud-aws-subnet, Specifies the subnet to use within --cloud-aws-subnet-id AWS [string] [default: ""] ``` #### 环境变量 > :警告:您需要 [创建个人访问符 (PAT)](https://help.github.com/en/github/authenticating-to-github/creating-a-personal-access-token-for-the-command-line) 包含寄存器读取/写入访问权限和工作流程权限。 实例 工作流程,此令牌被存储为 `PERSONAL_ACCESS_TOKEN`。 。 。 . : 信息 来源:如果使用 `--cloud` 选项,您还需要 提供您云计算资源的秘密访问证书。 在那个 例如, `AWS_ACCESS_KEY_ID` 财务报告和审定财务报表 `AWS_SECRET_ACCESS_KEY` (有特权) 以创建并销毁 EC2 实例. 对AWS来说,同样的证书也可以用于: [配置云存储](https://npmcn.com/package/%40dvcorg/cml/#readme-configuring-cloud-storage-providers)。 。 。 . #### 代理支持 通过已知环境变量的 CML 支持代理 `http_proxy` 财务报告和审定财务报表 `https_proxy`。 。 。 . #### 现场( 当地) 运行者 这意味着使用室内机器作为自备跑手。 这个 `cml runner launch` 函数用于设置本地自动托管的跑车。 在一个 本地机器或原地GPU集群, [将 CML 作为软件包安装](https://npmcn.com/package/%40dvcorg/cml/#readme-local-package) 然后运行 : ```bash cml runner launch \ --repo=$your_project_repository_url \ --token=$PERSONAL_ACCESS_TOKEN \ --labels="local,runner" \ --idle-timeout=180 ``` 机器会从您的项目仓库中收听工作流程 . ### 本地软件包 在以上示例中,CML由 `setup-cml` 动作,或来 预安装在自定义 Docker 图像中 。 你也可以这样 作为软件包安装 CML : ```bash npm install --location=global @dvcorg/cml ``` 你用得着 `cml` 不通过下载正确的独立二进制的节点 您的系统从资产部分 [释放](https://github.com/iterative/cml/releases)。 。 。 . 您可能需要安装额外的依赖关系来使用 DVC 地块和 Vega- Lite CLI 命令 : ```bash sudo apt-get install -y libcairo2-dev libpango1.0-dev libjpeg-dev libgif-dev \ librsvg2-dev libfontconfig-dev npm install -g vega-cli vega-lite ``` CML 和 Vega- Lite 软件包安装需要节点JS 软件包管理器 (单位:千美元)`npm`)与NodeJS同船. 安装指令如下. #### 安装节点JS - **GitHub 图像**: 当使用 GitHub 默认值时, 可能没有必要 容器或CML的一个多克容器。 自营的跑者可能需要 使用设置动作安装节点JS: ```bash uses: actions/setup-node@v3 with: node-version: '16' ``` - **吉特拉布语Name**:需要直接安装. ```bash curl -sL https://deb.nodesource.com/setup_16.x | bash apt-get update apt-get install -y nodejs ``` ## 另见 这些是使用CML的一些实例项目. - [基本CML项目](https://github.com/iterative-test/cml-example-minimal) - [用 DVC 调取数据的 CML](https://github.com/iterative-test/cml-example-dvc) - [带有 Tensor 板的 CML](https://github.com/iterative-test/cml-example-tensorboard) - [带小EC2实例的CML](https://github.com/iterative-test/cml-example-cloud) 键 : - [带 EC2 GPU 的 CML](https://github.com/iterative-test/cml-example-cloud-gpu) 键 : 键:需要 [PAT 计划](https://npmcn.com/package/%40dvcorg/cml/#readme-environment-variables)。 。 。 . # : 警告: 维护: 警告: - ~2023-07 Nvidia 已投放容器 CUDA 图像,带有 [10.x 电话](https://hub.docker.com/r/nvidia/cuda/tags?page=1&name=10)编号 :[cudnn7 (中文(简体) )](https://hub.docker.com/r/nvidia/cuda/tags?page=1&name=cudnn7) 财务报告和审定财务报表 [11.2.1 国家](https://hub.docker.com/r/nvidia/cuda/tags?page=1&name=11.2.1), (中文(简体) ), CML 图像将加速更新 ## 常见问题 ### 如何安装 @dvcorg/cml？ 在项目目录运行 npm install @dvcorg/cml，或使用 pnpm add / yarn add / bun add。它还提供命令行工具 cml、cml-send-github-check、cml-send-comment、cml-publish、cml-tensorboard-dev、cml-runner、cml-pr，可以用 npx cml 直接运行。 ### @dvcorg/cml 支持 TypeScript 吗？ 该包的 package\.json 没有声明类型入口。需要类型提示时，可以在 npm 上查找社区维护的 @types/dvcorg\_\_cml 是否存在。 ### @dvcorg/cml 支持 ESM 还是 CommonJS？ 以 CommonJS 形式发布，可以直接 require\(\)；在 ES Module 项目中也可以用 import 引入（Node\.js 会把 module\.exports 作为默认导出）。 ### @dvcorg/cml 需要什么版本的 Node\.js？ package\.json 的 engines 字段要求 Node\.js \>=16\.0\.0。版本不符时 npm 默认只给出警告，开启 engine-strict 后会拒绝安装。 ### @dvcorg/cml 可以商用吗？ @dvcorg/cml 使用 Apache-2\.0 许可。宽松许可：允许商业使用、修改和再分发，并附带明确的专利授权；分发时需保留许可与 NOTICE 文件，修改过的文件要注明改动。以上为概括，不构成法律意见，请以许可原文为准。 ### @dvcorg/cml 的下载量有多少？ 根据 npm 官方下载统计，@dvcorg/cml 在 2026/10/13 – 2026/11/11 这 30 天内被下载 2,933 次，日均约 98 次。下载量会把 CI 构建、镜像同步和作为其他包依赖的安装一并计入，适合横向比较热度，不能直接等同于使用人数。 ### @dvcorg/cml 还在维护吗？ 最新版本 0\.20\.6 发布于 2024/10/24（2 年前）；至今共发布 159 个版本，其中过去 12 个月发布了 0 个；首次发布于 2020/05/11。发布频率只是参考信号：功能稳定的工具可能很少需要更新，建议结合源码仓库的 issue 和提交记录判断。