Experiment-Tracking mit MLflow
mlflow.start_run(), log_param(), log_metric(), log_artifact(), Anzeigen der MLflow-Oberfläche.
Experiment-Tracking mit MLflow ist eine kostenlose Learn AI with Python-Lektion auf CoddyKit. Dies ist Lektion 1 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Learn AI with Python-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Learn AI with Python-Kurs umfasst insgesamt 4 Lektionen.
Warum Experimente protokollieren?
ML-Arbeit umfasst Dutzende Durchläufe mit unterschiedlichen Parametern und Daten. Ohne Protokollierung verlieren Sie den Überblick darüber, welche Einstellungen Ihr bestes Modell hervorgebracht haben. MLflow erfasst für jeden Durchlauf Parameter, Metriken und Artefakte, sodass Ergebnisse reproduzierbar und vergleichbar sind.
Installation und Import
MLflow erfordert lediglich eine einzige pip-Installation und einen Import.
# pip install mlflow
import mlflow
import mlflow.sklearnDer start_run-Kontext
mlflow.start_run() öffnet einen Durchlauf als Context Manager. Alles, was innerhalb des with-Blocks protokolliert wird, gehört zu diesem Durchlauf, und der Durchlauf wird beim Verlassen automatisch geschlossen.
with mlflow.start_run():
# log params, metrics, model here
passParameter protokollieren
log_param erfasst einen einzelnen Hyperparameter (eine von Ihnen gewählte Eingabe). Protokollieren Sie alles, was den Durchlauf definiert, damit Sie ihn später reproduzieren können.
with mlflow.start_run():
mlflow.log_param("n_estimators", 200)
mlflow.log_param("max_depth", 8)Metriken protokollieren
log_metric erfasst ein numerisches Ergebnis wie Genauigkeit oder Verlust (eine Ausgabe). Metriken können mit einem step wiederholt protokolliert werden, um Trainingskurven zu verfolgen.
mlflow.log_metric("accuracy", 0.93)
mlflow.log_metric("val_loss", 0.21, step=epoch)Parameter im Vergleich zu Metriken
- Parameter: von Ihnen festgelegte Eingaben (Lernrate, Tiefe). Werden einmal protokolliert.
- Metriken: gemessene Ausgaben (Genauigkeit, RMSE). Können sich über die einzelnen Schritte ändern.
Die Trennung ermöglicht es MLflow, Durchläufe in Tabellen und Diagrammen zu vergleichen.
Artefakte protokollieren
log_artifact speichert beliebige Dateien zusammen mit dem Durchlauf: Diagramme, Konfusionsmatrizen, Datenstichproben und Konfigurationsdateien. Artefakte ermöglichen es, unterstützende Nachweise an einen Durchlauf anzuhängen.
mlflow.log_artifact("confusion_matrix.png")
mlflow.log_artifact("feature_importance.csv")Das Modell protokollieren
mlflow.sklearn.log_model serialisiert ein trainiertes scikit-learn-Modell als Artefakt und bündelt es mit seinen Abhängigkeiten, sodass es später erneut geladen oder bereitgestellt werden kann. Jedes Framework hat seinen eigenen Flavor (mlflow.keras, mlflow.pytorch).
mlflow.sklearn.log_model(model, artifact_path="model")Die run_id
Jeder Durchlauf erhält eine eindeutige run_id. Sie verwenden sie, um programmgesteuert auf einen bestimmten Durchlauf zu verweisen, ihn erneut zu laden oder ihn zu vergleichen.
with mlflow.start_run() as run:
mlflow.log_metric("accuracy", 0.93)
print("Run ID:", run.info.run_id)Ein vollständiger Durchlauf
Alles zusammengefasst: Öffnen Sie einen Durchlauf, protokollieren Sie Parameter, trainieren Sie das Modell, protokollieren Sie Metriken und speichern Sie das Modell – alles in einem Block.
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")Experimente anzeigen
Führen Sie mlflow ui in Ihrem Terminal aus, um ein lokales Web-Dashboard zu starten (Standard: http://localhost:5000). Dort können Sie Durchläufe durchsuchen, nach Metriken sortieren und Parameter nebeneinander vergleichen.
# terminal
mlflow uiSchnelltest
Testen Sie Ihr Wissen über das MLflow-Tracking.
Zusammenfassung
Sie haben Experimente mit MLflow protokolliert: start_run() öffnet einen Durchlauf, log_param/log_metric erfassen Eingaben und Ausgaben, log_artifact speichert Dateien und mlflow.sklearn.log_model speichert das Modell. Jeder Durchlauf besitzt eine run_id, und mlflow ui zeigt alle Informationen an. Als Nächstes folgen die Modell-Registry und die Versionierung.
Häufig gestellte Fragen
Ist die Lektion „Experiment-Tracking mit MLflow“ kostenlos?
Ja — der vollständige Text von „Experiment-Tracking mit MLflow“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Learn AI with Python-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Learn AI with Python-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Experiment-Tracking mit MLflow“?
mlflow.start_run(), log_param(), log_metric(), log_artifact(), Anzeigen der MLflow-Oberfläche. Du übst Learn AI with Python mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Learn AI with Python zu starten?
Keine Vorkenntnisse erforderlich. Learn AI with Python auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 1 von 4.
Wie lange dauert die Lektion „Experiment-Tracking mit MLflow“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Learn AI with Python-Lektion Code schreiben und ausführen?
Ja. Jede Learn AI with Python-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Experiment-Tracking mit MLflow
- Model Registry und Versionierung
- Reproduzierbare ML-Pipelines erstellen
- Modellleistung in der Produktion überwachen