Hızlı başlangıç Python

MLflow, uçtan uca makine öğrenmesi yaşam döngüsünü yönetmeye yönelik açık kaynaklı bir platformdur. MLflow, ölçümleri günlüğe kaydetmek için basit API 'Ler sağlar (örneğin, model kaybı), parametreler (örneğin, öğrenme oranı) ve bağlı modeller için, eğitim sonuçlarını çözümlemeyi veya modelleri daha sonra dağıtmak kolaylaşır.

Bu bölümdeki konular:

MLflow 'ı yükler

Machine Learning için Databricks Runtimekullanıyorsanız mlflow zaten yüklüdür. Aksi takdirde, PyPI 'Den MLflow paketini de yüklersiniz.

Otomatik olarak MLflow eğitim çalıştırmalarını günlüğe kaydet

MLflow, mlflow.<framework>.autolog() bırçok ml çerçevesi ile yazılan eğitim kodunu otomatik olarak günlüğe kaydetmek için API 'ler sağlar. Modele özgü ölçümleri, parametreleri ve model yapılarını günlüğe kaydetmek için eğitim kodunu çalıştırmadan önce bu API 'YI çağırabilirsiniz.

Tensorflow

# Also autoinstruments tf.keras
import mlflow.tensorflow
mlflow.tensorflow.autolog()

Keras

# Use import mlflow.tensorflow and mlflow.tensorflow.autolog() if using tf.keras
import mlflow.keras
mlflow.keras.autolog()

Xgboost

import mlflow.xgboost
mlflow.xgboost.autolog()

Lightgbm

import mlflow.lightgbm
mlflow.lightgbm.autolog()

Scikit-learn

import mlflow.sklearn
mlflow.sklearn.autolog()

Pyspark

İle ayarlamayı gerçekleştirirken pyspark.ml , ölçümler ve modeller MLflow 'a otomatik olarak kaydedilir. Bkz. Apache Spark MLlib ve otomatikleştirilmiş MLflow izleme

Sonuçları görüntüleme

Machine Learning kodunuzu yürüttükten sonra, deneme çalıştırmaları kenar çubuğunu kullanarak sonuçları görüntüleyebilirsiniz. Hızlı başlangıçta kullanılan deneme, çalıştırma ve Not defteri düzeltmesini görüntüleme yönergeleri için bkz. Not defteri denemesini görüntüleme .

Ek ölçümleri, parametreleri ve modelleri izleyin

Mlflow izleme günlüğü API 'lerinidoğrudan çağırarak ek bilgileri günlüğe kaydedebilirsiniz.

  • Sayısal ölçümler:

    import mlflow
    mlflow.log_metric("accuracy", 0.9)
    
  • Eğitim parametreleri:

    import mlflow
    mlflow.log_param("learning_rate", 0.001)
    
  • Modelde

    Scikit-learn

    import mlflow.sklearn
    mlflow.sklearn.log_model(model, "myModel")
    

    Pyspark

    import mlflow.spark
    mlflow.spark.log_model(model, "myModel")
    

    Xgboost

    import mlflow.xgboost
    mlflow.xgboost.log_model(model, "myModel")
    

    Tensorflow

    import mlflow.tensorflow
    mlflow.tensorflow.log_model(model, "myModel")
    

    Keras

    import mlflow.keras
    mlflow.keras.log_model(model, "myModel")
    

    Pytorch

    import mlflow.pytorch
    mlflow.pytorch.log_model(model, "myModel")
    

    Spipb

    import mlflow.spacy
    mlflow.spacy.log_model(model, "myModel")
    
  • Diğer yapıtlar (dosyalar):

    import mlflow
    mlflow.log_artifact("/tmp/my-file", "myArtifactPath")
    

Örnek not defterleri

Gereksinimler

Databricks Runtime 6,4 veya üzeri ya da Databricks Runtime 6,4 ML ya da üzeri.

Notebooks

Python ile MLflow izlemeyi kullanmaya başlamak için önerilen yol, MLflow API 'sini kullanmaktır autolog() . MLflow 'un otomatik günlük oluşturma özellikleri sayesinde, tek bir kod satırı elde edilen modeli, modeli oluşturmak için kullanılan parametreleri ve model Puanını otomatik olarak günlüğe kaydeder. Aşağıdaki Not defteri, bir çalıştırmayı, oto günlük kullanarak nasıl ayarlayacağınızı gösterir.

MLflow oto günlüğü hızlı başlangıç Python Not defteri

Not defterini alma

Her eğitim çalışması için günlüğe kaydedilen ölçümler üzerinde daha fazla denetime ihtiyacınız varsa veya tablolar veya çizimler gibi ek yapıtları günlüğe kaydetmek istiyorsanız, aşağıdaki not defterinde gösterilen MLflow günlüğü API işlevlerini kullanabilirsiniz.

MLflow günlüğü API hızlı başlangıç Python Not defteri

Not defterini alma

Daha fazla bilgi edinin