تتبّع التجارب باستخدام MLflow
mlflow.start_run() وlog_param() وlog_metric() وlog_artifact()، وعرض واجهة MLflow
تتبّع التجارب باستخدام MLflow درس مجاني في Learn AI with Python على CoddyKit. هذا هو الدرس 1 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في Learn AI with Python، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة Learn AI with Python 4 دروس في المجموع.
لماذا نسجل التجارب؟
يتضمن عمل تعلم الآلة عشرات عمليات التشغيل باستخدام معاملات وبيانات مختلفة. ومن دون التسجيل، ستفقد معلومات الإعدادات التي أنتجت أفضل نموذج لديك. يسجل MLflow المعاملات والمقاييس والملفات الناتجة لكل عملية تشغيل، بحيث تكون النتائج قابلة لإعادة الإنتاج والمقارنة.
التثبيت والاستيراد
يتطلب MLflow أمر تثبيت واحدًا باستخدام pip ثم استيراده.
# pip install mlflow
import mlflow
import mlflow.sklearnسياق start_run
يفتح mlflow.start_run() عملية تشغيل باستخدام مدير سياق. ينتمي كل ما يُسجَّل داخل كتلة with إلى عملية التشغيل تلك، وتُغلق العملية تلقائيًا عند الخروج منها.
with mlflow.start_run():
# log params, metrics, model here
passتسجيل المعاملات
يسجل log_param معاملًا فائقًا واحدًا (وهو مُدخل اخترته). سجّل كل ما يحدد عملية التشغيل حتى تتمكن من إعادة إنتاجها لاحقًا.
with mlflow.start_run():
mlflow.log_param("n_estimators", 200)
mlflow.log_param("max_depth", 8)تسجيل المقاييس
يسجل log_metric نتيجة رقمية مثل الدقة أو الخسارة (وهي مخرَج). ويمكن تسجيل المقاييس بشكل متكرر باستخدام step لتتبع منحنيات التدريب.
mlflow.log_metric("accuracy", 0.93)
mlflow.log_metric("val_loss", 0.21, step=epoch)المعاملات مقابل المقاييس
- Parameters: المُدخلات التي تحددها (معدل التعلم، والعمق). تُسجَّل مرة واحدة.
- Metrics: المخرجات التي تقيسها (الدقة، وRMSE). يمكن أن تتغير مع الخطوات.
يسمح الفصل بينهما لـ MLflow بمقارنة عمليات التشغيل في الجداول والمخططات.
تسجيل الملفات الناتجة
يخزن log_artifact أي ملف مع عملية التشغيل، مثل المخططات، ومصفوفات الالتباس، وعينات البيانات، وملفات الإعداد. وتتيح لك الملفات الناتجة إرفاق الأدلة الداعمة بعملية التشغيل.
mlflow.log_artifact("confusion_matrix.png")
mlflow.log_artifact("feature_importance.csv")تسجيل النموذج
يحوّل mlflow.sklearn.log_model نموذجًا مُدرَّبًا من scikit-learn إلى ملف ناتج متسلسل، مع حزم اعتماداته، بحيث يمكن إعادة تحميله أو نشره لاحقًا. ولكل إطار عمل نكهته الخاصة (mlflow.keras وmlflow.pytorch).
mlflow.sklearn.log_model(model, artifact_path="model")المعرّف run_id
تحصل كل عملية تشغيل على run_id فريد. وتستخدمه للإشارة إلى عملية تشغيل محددة أو إعادة تحميلها أو مقارنتها برمجيًا.
with mlflow.start_run() as run:
mlflow.log_metric("accuracy", 0.93)
print("Run ID:", run.info.run_id)عملية تشغيل مكتملة
بتجميع الخطوات معًا: افتح عملية تشغيل، وسجّل المعاملات، ودرّب النموذج، وسجّل المقاييس، وسجّل النموذج، كل ذلك داخل كتلة واحدة.
with mlflow.start_run():
mlflow.log_param("max_depth", 8)
model.fit(X_train, y_train)
acc = model.score(X_test, y_test)
mlflow.log_metric("accuracy", acc)
mlflow.sklearn.log_model(model, "model")عرض التجارب
شغّل mlflow ui في الطرفية لإطلاق لوحة تحكم ويب محلية (على العنوان الافتراضي http://localhost:5000)، حيث يمكنك استعراض عمليات التشغيل، والفرز بحسب المقياس، ومقارنة المعاملات جنبًا إلى جنب.
# terminal
mlflow uiتحقق سريع
اختبر معرفتك بتتبع التجارب باستخدام MLflow.
مراجعة
لقد تتبعت التجارب باستخدام MLflow: يفتح start_run() عملية تشغيل، ويسجل log_param/log_metric المُدخلات والمخرجات، ويخزن log_artifact الملفات، ويحفظ mlflow.sklearn.log_model النموذج. لكل عملية تشغيل run_id، ويعرض mlflow ui كل شيء. التالي: سجل النماذج وإدارة الإصدارات.
الأسئلة الشائعة
هل درس «تتبّع التجارب باستخدام MLflow» مجاني؟
نعم — نص درس «تتبّع التجارب باستخدام MLflow» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة Learn AI with Python، انتقل إلى CoddyKit PRO. تتضمن دورة Learn AI with Python 4 دروس في المجموع.
ماذا ستتعلم في «تتبّع التجارب باستخدام MLflow»؟
mlflow.start_run() وlog_param() وlog_metric() وlog_artifact()، وعرض واجهة MLflow تتمرن على Learn AI with Python مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.
هل أحتاج إلى خبرة سابقة لأبدأ Learn AI with Python؟
لا تُشترط خبرة سابقة. Learn AI with Python على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 1 من أصل 4.
كم من الوقت يستغرق درس «تتبّع التجارب باستخدام MLflow»؟
معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.
هل يمكنني كتابة وتشغيل أكواد في درس Learn AI with Python هذا؟
نعم. كل درس في Learn AI with Python يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.
جميع الدروس في هذه الدورة
- تتبّع التجارب باستخدام MLflow
- سجل النماذج وإدارة الإصدارات
- بناء مسارات تعلم آلي قابلة لإعادة الإنتاج
- مراقبة أداء النموذج في بيئة الإنتاج