mlflow

MLflow to platforma do zarządzania całym cyklem życia projektów uczenia maszynowego. Śledzisz parametry, metryki i artefakty swoich eksperymentów, organizujesz modele w rejestrze z kontrolą wersji, a następnie wdrażasz je na różne platformy. Niezależnie od tego, czy używasz PyTorch, TensorFlow czy Scikit-Learn, MLflow współpracuje z każdym frameworkiem. Możesz porównywać wydajność modeli, odtwarzać eksperymenty i pracować w zespołach nad ML-owymi projektami.

1. Zainstaluj MLflow za pomocą pip install mlflow. Jeśli potrzebujesz dodatkowych funkcji, uruchom pip install mlflow[extras], aby zainstalować zależności takie jak SQLAlchemy i boto3.

2. Uruchom interfejs webowy MLflow poleceniem mlflow ui. Otwórz przeglądarkę i przejdź na http://localhost:5000, aby zobaczyć panel do śledzenia eksperymentów.

3. W swoim skrypcie Pythona zaimportuj mlflow i otwórz nowy run za pomocą with mlflow.start_run(). Wewnątrz tego bloku loguj parametry treningowe za pomocą mlflow.log_param(), na przykład learning_rate czy batch_size.

4. Po treningu modelu zaloguj metryki wydajności, takie jak loss czy accuracy, używając mlflow.log_metric(). Następnie zapisz sam model za pomocą mlflow.sklearn.log_model() lub odpowiedniej funkcji dla twojego frameworka.

5. Aby przyspieszyć proces, włącz autologging poleceniem mlflow.autolog() przed treningiem. MLflow automatycznie zarejestruje parametry i metryki bez dodatkowego kodu.

6. Przejdź do interfejsu webowego, aby porównać wyniki różnych eksperymentów, zarządzać wersjami modeli w rejestrze i przygotować modele do wdrożenia na produkcję.