مقدمه

در درس پیشین، با مفاهیم پایه‌ی CI/CD آشنا شدیم و دیدیم که چگونه می‌توانند فرایندهای تکراری را خودکار کنند. در این درس، به طور عملی یک پایپ‌لاین کامل با استفاده از گیت‌هاب اکشنز (GitHub Actions) برای پروژه‌ی خود می‌سازیم.

گیت‌هاب اکشنز به ما امکان می‌دهد تا در پاسخ به رویدادهای مختلف (مثلن ارسال کد جدید (push) یا ایجاد درخواست pull کردن)، کارهای مشخصی را به صورت خودکار اجرا کنیم. در این درس، یک پایپ‌لاین می‌سازیم که پس از هر بار ارسال کد، به طور خودکار تست‌ها را اجرا کرده، تصویر داکر را می‌سازد و آن را در مخزن داکر هاب ذخیره می‌کند.

بخش اول: آشنایی با گیت‌هاب اکشنز

گیت‌هاب اکشنز یک سرویس یکپارچه‌ی CI/CD است که درون گیت‌هاب تعبیه شده است. با استفاده از آن می‌توانید پایپ‌لاین‌های خودکار را مستقیمن در مخزن خود تعریف و اجرا کنید.

مفاهیم کلیدی در گیت‌هاب اکشنز:

در جدول ذیل مفاهیم بنیادین و کلیدی این تکنولوژی را می‌بینیم

مفهومتوضیح
گردش کار (Workflow)یک پایپ‌لاین خودکار که شامل یک یا چند وظیفه است. در یک فایل yaml در پوشه‌ی .github/workflows/ تعریف می‌شود.
رویداد (Event)عاملی که اجرای گردش کار را تحریک می‌کند. مثلن ارسال کد (push) یا ایجاد درخواست دریافت (pull_request).
وظیفه (Job)مجموعه‌ای از مراحل که روی یک اجراکننده (Runner) اجرا می‌شوند.
مرحله (Step)کوچک‌ترین واحد اجرایی که می‌تواند یک دستور یا یک اکشن باشد.
اجراکننده (Runner)یک سرور مجازی که وظایف روی آن اجرا می‌شوند. گیت‌هاب اجراکننده‌های رایگان برای مخازن عمومی فراهم می‌کند. برای ریپوهای خصوصی محدودیت وجود دارد.

بخش دوم: ساختار پوشه‌ی گردش کار

برای شروع، باید پوشه‌ای به نام

.github/workflows

در ریشه‌ی پروژه‌ی خود ایجاد کنیم. اینکار را از طریق خط فرمان پاورشل وقتی که در مسیر اصلی پروژه هستید می‌توانید از طریق اجرای دستور زیر انجام دهید:

mkdir -p .github/workflows

سپس یک فایل با نام mlops-pipeline.yml در این پوشه می‌سازیم:

# .github/workflows/mlops-pipeline.yml

name: MLOps Pipeline

on:
  push:
    branches: main
  pull_request:
    branches: main

jobs:
  # وظیفه‌ی شماره ۱: تست کد
  test:
    runs-on: ubuntu-latest

    steps:
    - name: Checkout code
      uses: actions/checkout@v4

    - name: Set up Python
      uses: actions/setup-python@v5
      with:
        python-version: '3.13'

    - name: Install dependencies
      run: |
        python -m pip install --upgrade pip
        pip install -r requirements.txt

    - name: Run tests
      run: |
        python -c "import pandas; import sklearn; print('All imports successful!')"
        echo "✅ All tests passed!"

  # وظیفه‌ی شماره ۲: ساخت ایمیج داکر
  build-docker:
    runs-on: ubuntu-latest
    needs: test  
    steps:
    - name: Checkout code
      uses: actions/checkout@v4

    - name: Set up Docker Buildx
      uses: docker/setup-buildx-action@v3

    - name: Log in to Docker Hub
      uses: docker/login-action@v3
      with:
        username: ${{ secrets.DOCKER_USERNAME }}
        password: ${{ secrets.DOCKER_PASSWORD }}

    - name: Build and push Docker image
      uses: docker/build-push-action@v5
      with:
        context: .
        push: true
        tags: |
          ${{ secrets.DOCKER_USERNAME }}/house-price-predictor:latest
          ${{ secrets.DOCKER_USERNAME }}/house-price-predictor:${{ github.sha }}

بخش سوم: توضیح اجزای فایل گردش کار

بیایید خط‌به‌خط این فایل (فایل yaml فوق) را بررسی کنیم:

۱. نام گردش کار:

name: MLOps Pipeline

این نام در صفحه‌ی اکشن‌های گیت‌هاب نمایش داده می‌شود.

۲. رویدادهای محرک (on):

on:
  push:
    branches: main
  pull_request:
    branches: main

این گردش کار زمانی اجرا می‌شود که:

  • کدی به شاخه‌های main ارسال شود (push).
  • یا درخواست کشیدن (Pull Request) برای این شاخه‌ها ایجاد شود.

۳. وظیفه‌ی تست (test):

test:
  runs-on: ubuntu-latest
  • runs-on: مشخص می‌کند که این وظیفه روی یک سرور مجازی با سیستم‌ عامل اوبونتو اجرا شود.
  • steps: مراحل این وظیفه بشرح جدول ذیل است:
مرحلهتوضیح
actions/checkout@v4کد مخزن را دریافت می‌کند.
actions/setup-python@v5پایتون نسخه‌ی 3.13 را نصب می‌کند.
pip install -r requirements.txtکتابخانه‌های مورد نیاز را نصب می‌کند.
python -c یک تست ساده برای اطمینان از نصب صحیح کتابخانه‌ها اجرا می‌کند.

۴. وظیفه‌ی ساخت داکر (build-docker):

build-docker:
  runs-on: ubuntu-latest
  needs: test
  • needs: test: یعنی این وظیفه فقط در صورتی اجرا می‌شود که وظیفه‌ی test با موفقیت کامل شده باشد. توضیح سایر موارد نیز در جدول ذیل آورده شده است:
مرحلهتوضیح
actions/checkout@v4دریافت کد مخزن.
docker/setup-buildx-action@v3تنظیمات ساخت داکر.
docker/login-action@v3ورود به حساب داکر هاب با استفاده از اطلاعات ذخیره‌شده در گیت‌هاب.
docker/build-push-action@v5ساخت و ارسال تصویر داکر به داکر هاب.

بخش چهارم: تنظیم اطلاعات محرمانه در گیت‌هاب

برای اینکه گیت‌هاب اکشنز بتواند به داکر هاب متصل شود، باید نام کاربری و رمز عبور (یا توکن) خود را در گیت‌هاب ذخیره کنید:

مراحل:

1. به مخزن خود در گیت‌هاب بروید.

2. یک ریپازیتوری عمومی بسازید. بنده نام این ریپو را “mlops-house-price” برای خودم انتخاب کردم.

3. بعد از ورود به صفحه ریپوی ساخته شده، روی برگه‌ی Settings کلیک کنید.

4. از منوی سمت چپ، Secrets and variables → Actions را انتخاب کنید.

5. روی دکمه‌ی New repository secret کلیک کنید.

6. دو راز (Secret) به صورت زیر ایجاد کنید:

نام رازمقدار
DOCKER_USERNAMEنام کاربری خود در داکر هاب
DOCKER_PASSWORDرمز عبور یا توکن دسترسی داکر هاب

نکته: برای امنیت بیشتر، به جای رمز عبور از توکن دسترسی (Access Token) داکر هاب استفاده کنید. برای ساخت توکن، به تنظیمات حساب داکر هاب خود بروید و یک توکن جدید با مجوز Read & Write بسازید. دقت کنید بعد از ورود به داکرهاب ابتدا به قسمت “Account Setting” بروید. سپس روی گزینه “Personal access token” کلیک نمائید تا بتوانید یک توکن برای خود بسازید.

بخش پنجم: اجرای گردش کار

پس از ارسال فایل mlops-pipeline.yml به مخزن گیت‌هاب، گردش کار به صورت خودکار فعال می‌شود. توجه کنید که در کامپیوتر خود ابتدا باید ریپوی ساخته شده را به پروژه اضافه کنید. برای این منظور باید ابتدا دستور زیر را اجرا کنید:

#🔴 دقت کنید که نام کاربری خود را در اینجا باید وارد نمائید

git remote add origin https://github.com/YOUR-USERNAME/mlops-house-price.git

# فایل‌ها را اضافه و کامیت کنید

git add .
git commit -m "Initial commit: MLOps house price prediction project"

# ارسال به گیت‌هاب

git branch -M main
git push -u origin main

برای مشاهده‌ی نتایج:

۱. به مخزن خود در گیت‌هاب بروید.

۲. روی برگه‌ی Actions کلیک کنید.

۳. لیست گردش‌کارهای اجرا شده را مشاهده می‌کنید.

۴. روی هر گردش کار کلیک کنید تا جزئیات آن را ببینید.

نمایش وضعیت در فایل README:

می‌توانید یک نشانگر (Badge) به فایل README.md خود اضافه کنید تا وضعیت آخرین اجرا را نشان دهد. توجه کنید که بجای USERNAME نام کاربری گیت‌هاب خود و بجای REPOSITORY نام ریپوی خود را وارد کنید.

![MLOps Pipeline](https://github.com/USERNAME/REPOSITORY/actions/workflows/mlops-pipeline.yaml/badge.svg)
نمایی از جاب test که در حال انجام است
جاب test در پایان باید اینگونه شود
پس از test وارد جاب دوم یعنی build-docker می‌شویم
ممکن است به دلایلی یکی از مراحل جاب با شکست مواجه شود. همانند تصویر فوق
و پایان جاب دوم. هم اکنون باید پنل داکرهاب را چک کنیم
اگر همه چیز درست پیش برود، باید ایمیج داکر house-price-predictor وارد داکرهاب ما شده باشد

بخش ششم: گسترش پایپ‌لاین (پیشنهادی)

پایپ‌لاین ساده‌ای که ساختیم را می‌توان به روش‌های مختلف گسترش داد. سه مورد ذیل پیشنهادی و برای درک عمیق‌تر موضاعات مطرح شده هستند.

۱. اجرای تست‌های دقیق‌تر:

- name: Run pytest
  run: |
    pip install pytest
    pytest tests/

۲. ساخت و استقرار روی سرور:

- name: Deploy to server
  run: |
    ssh user@server "docker pull ${{ secrets.DOCKER_USERNAME }}/house-price-predictor:latest && docker-compose up -d"

۳. اجرای خودکار آموزش مدل با داده‌های جدید:

- name: Retrain model
  run: |
    python src/train_with_mlflow.py
    dvc add data/housing_data.csv
    git add data/housing_data.csv.dvc
    git commit -m "Auto-retrain: update model"
    git push

جمع‌بندی و تمرین

در این درس، یک پایپ‌لاین کامل CI/CD با گیت‌هاب اکشنز ساختیم که:

۱. پس از هر بار ارسال کد، به طور خودکار تست‌ها را اجرا می‌کند.
۲. پس از موفقیت تست‌ها، ایمیج داکر را می‌سازد.
۳. ایمیج ساخته‌شده را به داکر هاب ارسال می‌کند.

تمرین پیشنهادی:

۱. پوشه‌ی .github/workflows/ را در پروژه‌ی خود ایجاد کنید.

۲. فایل mlops-pipeline.yml را کپی کرده و در آن قرار دهید.

۳. تغییرات را به گیت‌هاب ارسال کنید و برگه‌ی Actions را برای مشاهده‌ی اجرای پایپ‌لاین بررسی کنید.

۴. اگر همه‌چیز به درستی کار کرد، یک تغییر کوچک در کد ایجاد کنید و دوباره ارسال کنید تا پایپ‌لاین دوباره اجرا شود.