MLflow-guide

  • Artikel
  • 2 minuter för att läsa

MLflow är en plattform med öppen källkod för hantering av maskininlärningslivscykeln från början till slut. Den har följande primära komponenter:

  • Spårning: Du kan spåra experiment för att registrera och jämföra parametrar och resultat.
  • Modeller: Du kan hantera och distribuera modeller från en mängd olika ML-bibliotek till en mängd olika plattformar för modellbetjäning och modellslutsatsdragning.
  • Projekt: Du kan paketera ML-kod i ett återanvändningsbart, reproducerbart format som kan delas med andra dataforskare eller överföras till produktion.
  • Modellregister: Du kan centralisera ett modellarkiv för att hantera övergångarna mellan olika faser i modellernas livscykel: från mellanlagring till produktion, med funktioner för versionshantering och anteckningar.
  • Modellbetjäning: Låter dig vara värd för MLflow-modeller som REST-slutpunkter.

MLflow kan användas med Java, Python, R och REST-API:er.

Azure Databricks tillhandahåller en fullständigt hanterad och värdbaserad version av MLflow som är integrerad med företagssäkerhetsfunktioner, hög tillgänglighet och andra Azure Databricks-arbetsytefunktioner som hantering av experiment och körningar samt registrering av ändringar i notebook-filer. MLflow i Azure Databricks ger en integrerad upplevelse för att spåra och skydda träningskörningar för maskininlärningsmodellen och körning av maskininlärningsprojekt.

MLflow-data krypteras med hjälp Azure Databricks en plattforms hanterad nyckel. Kryptering med Hjälp av Aktivera kund hanterade nycklar för hanterade tjänster stöds inte.

Första gången användarna börjar med snabbstarten, som visar de grundläggande API:erna för MLflow-spårning. Efterföljande artiklar presenterar de olika MLflow-komponenterna med notebook-exempelfiler och beskriver hur komponenterna placeras i Azure Databricks.