Trainieren und in der Registry protokollieren
Führen Sie das Training aus und registrieren Sie das resultierende Modell.
Trainieren und in der Registry protokollieren ist eine kostenlose MLOps Academy-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 MLOps Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der MLOps Academy-Kurs umfasst insgesamt 4 Lektionen.
Ein Lauf, vollständig erfasst
Diese Lektion verbindet Training und Registry. Sie trainieren ein Modell und übertragen es anschließend in die MLflow Model Registry, wo es zu einem versionierten, wiederverwendbaren Artefakt wird. 🚀
Einen Tracking-Lauf starten
Verpacken Sie Ihr Training in mlflow.start_run(). Alles, was Sie innerhalb dieses Blocks protokollieren, gehört zu einem Lauf mit eigener ID und eigenem Zeitstempel.
import mlflow
with mlflow.start_run() as run:
# train and log here
print(run.info.run_id)Ihr Modell trainieren
Trainieren Sie innerhalb des Laufs Ihren Estimator wie gewohnt. Der Training-Code ändert sich nicht, nur weil MLflow ihn überwacht.
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)Die Parameter protokollieren
Halten Sie Ihre getroffenen Einstellungen mit log_param fest. So können Sie auch Monate später genau nachvollziehen, welche Einstellungen dieses Modell hervorgebracht haben.
mlflow.log_param("n_estimators", 100)
mlflow.log_param("max_depth", None)Die Metriken protokollieren
Erfassen Sie mit log_metric, wie gut das Modell abgeschnitten hat. Nach diesen Zahlen werden Sie später beim Vergleich von Läufen sortieren.
acc = model.score(X_test, y_test)
mlflow.log_metric("accuracy", acc)Das Modellartefakt protokollieren
Verwenden Sie mlflow.sklearn.log_model, um das trainierte Modell im Lauf zu speichern. MLflow speichert Gewichte, Flavor und Umgebung gemeinsam.
mlflow.sklearn.log_model(
sk_model=model,
name="model",
)Beim Protokollieren registrieren
Übergeben Sie registered_model_name. Dann protokolliert MLflow das Modell und registriert in einem Schritt eine neue Version. Das ist der übersichtlichste Weg.
mlflow.sklearn.log_model(
sk_model=model,
name="model",
registered_model_name="churn-classifier",
)Nachträglich registrieren
Haben Sie ein Modell bereits protokolliert? Rufen Sie register_model mit der Run-URI auf, um es ohne erneutes Training in der Registry zu registrieren.
uri = "runs:/<run_id>/model"
mlflow.register_model(uri, "churn-classifier")Versionen werden automatisch hochgezählt
Registrieren Sie denselben Namen erneut, erhalten Sie version 2, danach 3 und so weiter. Die Registry bewahrt jede Version auf und überschreibt keine ältere.
Kurzer Check
Sie protokollieren ein Modell unter einem Namen, der bereits existiert. Was passiert?
Der Lauf ist bestätigt
Nachdem der Block beendet wurde, wird der Lauf als FINISHED markiert. Ihre Parameter, Metriken und die registrierte Modellversion sind nun dauerhaft verknüpft.
In der Benutzeroberfläche finden
Öffnen Sie die MLflow-Benutzeroberfläche. Ihr Lauf erscheint unter dem zugehörigen Experiment, und die neue Modellversion wird im Tab Models aufgeführt. Nichts geht verloren.
Zusammenfassung: Trainieren, protokollieren, registrieren
Sie haben innerhalb eines Laufs trainiert, Parameter und Metriken protokolliert, das Modell gespeichert und eine Version registriert. Trainieren, protokollieren, registrieren: Das ist der Anfang einer echten Pipeline. ✅
Lerne Python mit einem KI-Tutor — kostenlos
Schreibe und führe echten Code in deinem Browser aus, bekomme sofortige Hilfe von einem 24/7 KI-Tutor und setze dein Lernen im Web oder in der App fort.
- Kurse
- 30
- Lektionen
- 120
Häufig gestellte Fragen
Ist die Lektion „Trainieren und in der Registry protokollieren“ kostenlos?
Ja — der vollständige Text von „Trainieren und in der Registry protokollieren“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des MLOps Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der MLOps Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Trainieren und in der Registry protokollieren“?
Führen Sie das Training aus und registrieren Sie das resultierende Modell. Du übst MLOps Academy 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 MLOps Academy zu starten?
Keine Vorkenntnisse erforderlich. MLOps Academy 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 „Trainieren und in der Registry protokollieren“?
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 MLOps Academy-Lektion Code schreiben und ausführen?
Ja. Jede MLOps Academy-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
- Trainieren und in der Registry protokollieren
- Das beste Modell in Production überführen
- Das Production-Modell bereitstellen
- Eine Prediction-Round-Trip nachverfolgen