Az MLflow-kísérletek használatának első lépései
Ez a jegyzetfüzetgyűjtemény bemutatja, hogyan kezdheti meg és futtathatja az MLflow-kísérletfuttatásokat.
MLflow-összetevők
Az MLflow egy nyílt forráskódú platform, amely lehetővé teszi a teljes gépi tanulási életciklus kezelését. Az MLflow három elsődleges összetevőből áll:
- Nyomon követés
- Modellek
- Projektek
Az MLflow Tracking összetevővel a következő API-k használatával naplózhatja és lekérdezheti a gépmodell betanítási munkameneteit (futtatásokat):
Az MLflow-futtatás egy gépi tanulási modell betanítási folyamatához társított paraméterek, metrikák, címkék és összetevők gyűjteménye.
Mik azok a kísérletek az MLflow-ban?
A kísérletek az MLflow elsődleges szervezeti egységei; az összes MLflow-futtatás egy kísérlethez tartozik. Minden kísérlet lehetővé teszi a futtatások vizualizálását, keresését és összehasonlítását, valamint futtatási összetevők vagy metaadatok letöltését más eszközök elemzéséhez. A kísérletek egy Azure Databricks által üzemeltetett MLflow-követő kiszolgálón vannak fenntartva.
A kísérletek a munkaterület fájlfában találhatók. A kísérleteket ugyanazokkal az eszközökkel kezelheti, mint más munkaterületi objektumok, például mappák, jegyzetfüzetek és tárak kezelésére.
MLflow-példajegyzetfüzetek
Az alábbi jegyzetfüzetek bemutatják, hogyan hozhat létre és naplózhat MLflow-futtatásokat az MLflow-nyomkövetési API-k használatával, valamint azt, hogy a kísérlet felhasználói felületén hogyan tekintheti meg a futtatásokat. Ezek a jegyzetfüzetek Pythonban, Scalában és R-ben érhetők el.
A Python- és R-jegyzetfüzetek jegyzetfüzetkísérletet használnak. A Scala-jegyzetfüzet létrehoz egy kísérletet a Shared mappában.
Feljegyzés
A Databricks Runtime 10.4 LTS ML-es és újabb verziója esetén a Databricks autologging alapértelmezés szerint engedélyezve van Python-jegyzetfüzetekhez.