Oppikaa tekoälyä Pythonilla · Oppitunti

Kokeiden seuranta MLflow’lla

mlflow.start_run(), log_param(), log_metric(), log_artifact(), MLflow-käyttöliittymän tarkastelu.

Oppitunti 1/413 vaihetta

Kokeiden seuranta MLflow’lla on ilmainen Oppikaa tekoälyä Pythonilla-oppitunti CoddyKitissä. Tämä on oppitunti 1/4. Voit lukea tästä oppimispolusta kokonaan mitkä tahansa 3 oppituntia ilmaiseksi — sen jälkeen CoddyKit PRO avaa kaikki oppitunnit sekä käytännön harjoittelun sisäänrakennetulla koodieditorilla ja ympäri vuorokauden toimivalla tekoälytuutorilla. Oppitunti kuuluu Oppikaa tekoälyä Pythonilla-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Oppikaa tekoälyä Pythonilla-kurssilla on yhteensä 4 oppituntia.

Miksi kokeiluja kannattaa seurata

Koneoppimistyö tarkoittaa kymmeniä ajoja erilaisilla parametreilla ja aineistoilla. Ilman seurantaa unohdatte, millä asetuksilla paras mallinne syntyi. MLflow tallentaa jokaisen ajon parametrit, metriikat ja artefaktit, jotta tulokset voidaan toistaa ja niitä voidaan verrata.

Asentaminen ja tuominen

MLflow asennetaan ja tuodaan käyttöön yhdellä pip-asennuksella ja import-lauseella.

# pip install mlflow
import mlflow
import mlflow.sklearn

start_run-konteksti

mlflow.start_run() avaa ajon kontekstinhallitsijana. Kaikki with-lohkon sisällä lokiin kirjattu kuuluu kyseiseen ajoon, ja ajo suljetaan automaattisesti lohkosta poistuttaessa.

with mlflow.start_run():
    # log params, metrics, model here
    pass

Parametrien kirjaaminen

log_param tallentaa yhden hyperparametrin eli valitsemanne syötteen. Kirjatkaa kaikki ajon määrittävät asiat, jotta voitte toistaa sen myöhemmin.

with mlflow.start_run():
    mlflow.log_param("n_estimators", 200)
    mlflow.log_param("max_depth", 8)

Metriikoiden kirjaaminen

log_metric tallentaa numeerisen tuloksen, kuten tarkkuuden tai häviön. Metriikoita voidaan kirjata toistuvasti step-arvon avulla, jolloin voitte seurata koulutuskäyriä.

mlflow.log_metric("accuracy", 0.93)
mlflow.log_metric("val_loss", 0.21, step=epoch)

Parametrit ja metriikat

Parametrit: itse asettamanne syötteet, kuten oppimisnopeus ja syvyys. Kirjataan kerran.
Metriikat: mittaamanne tulokset, kuten tarkkuus ja RMSE. Voivat muuttua vaiheiden aikana.

Kun nämä pidetään erillään, MLflow voi verrata ajoja taulukoissa ja kaavioissa.

Artefaktien kirjaaminen

log_artifact tallentaa ajon yhteyteen minkä tahansa tiedoston: kuvaajia, sekaannusmatriiseja, dataotoksia ja asetustiedostoja. Artefaktien avulla voitte liittää ajoon sitä tukevaa näyttöä.

mlflow.log_artifact("confusion_matrix.png")
mlflow.log_artifact("feature_importance.csv")

Mallin kirjaaminen

mlflow.sklearn.log_model serialisoi koulutetun scikit-learn-mallin artefaktiksi ja pakkaa mukaan sen riippuvuudet, jotta malli voidaan ladata uudelleen tai ottaa käyttöön myöhemmin. Jokaisella viitekehyksellä on oma flavorinsa (mlflow.keras, mlflow.pytorch).

mlflow.sklearn.log_model(model, artifact_path="model")

run_id

Jokainen ajo saa yksilöllisen run_id-tunnisteen. Sen avulla voitte viitata tiettyyn ajoon, ladata sen uudelleen tai verrata sitä ohjelmallisesti muihin ajoihin.

with mlflow.start_run() as run:
    mlflow.log_metric("accuracy", 0.93)
    print("Run ID:", run.info.run_id)

Täydellinen ajo

Kokonaisuus toimii näin: avatkaa ajo, kirjatkaa parametrit, kouluttakaa malli, kirjatkaa metriikat ja tallentakaa malli – kaikki yhdessä lohkossa.

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")

Kokeilujen tarkasteleminen

Suorittakaa terminaalissa mlflow ui, niin paikallinen verkkokoontinäyttö käynnistyy (oletusosoite http://localhost:5000). Siellä voitte selata ajoja, järjestää ne metriikan perusteella ja verrata parametreja rinnakkain.

# terminal
mlflow ui

Pikatesti

Testatkaa MLflow-seurantaa koskevat tietonne.

Vastaa interaktiivisessa oppitunnissa

Kertaus

Seurasitte kokeiluja MLflow:n avulla: start_run() avaa ajon, log_param/log_metric tallentavat syötteet ja tulokset, log_artifact tallentaa tiedostoja ja mlflow.sklearn.log_model tallentaa mallin. Jokaisella ajolla on run_id, ja mlflow ui näyttää kaikki tiedot. Seuraavaksi käsitellään mallirekisteriä ja versiointia.

Aloita maksutta

Opi Python tekoälytuutorin avulla — ilmaiseksi

Kirjoita ja suorita oikeaa koodia selaimessa, saa välitöntä apua tekoälytuutorilta ympäri vuorokauden ja jatka siitä, mihin jäit, verkossa tai sovelluksessa.

Kurssit: 53
Oppitunnit: 225

Aloita opiskelu maksutta Näytä koko kurssi

Usein kysytyt kysymykset

Onko oppitunti ”Kokeiden seuranta MLflow’lla” ilmainen?

Kyllä — voit lukea täällä verkossa kokonaan ilmaiseksi mitkä tahansa Oppikaa tekoälyä Pythonilla-oppimispolun 3 oppituntia, myös oppitunnin “Kokeiden seuranta MLflow’lla”. Sen jälkeen CoddyKit PRO avaa kaikki oppitunnit sekä interaktiiviset harjoitukset sisäänrakennetulla koodieditorilla ja ympäri vuorokauden toimivalla tekoälytuutorilla. Oppikaa tekoälyä Pythonilla-kurssilla on yhteensä 4 oppituntia.

Mitä opin oppitunnilla ”Kokeiden seuranta MLflow’lla”?

mlflow.start_run(), log_param(), log_metric(), log_artifact(), MLflow-käyttöliittymän tarkastelu. Harjoittelet Oppikaa tekoälyä Pythonilla-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.

Tarvitsenko kokemusta aloittaakseni Oppikaa tekoälyä Pythonilla-opiskelun?

Aiempi kokemus ei ole tarpeen. CoddyKitin Oppikaa tekoälyä Pythonilla-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 1/4.

Kuinka kauan ”Kokeiden seuranta MLflow’lla”-oppitunnin suorittaminen kestää?

Useimmat CoddyKitin oppitunnit kestävät noin 5–10 minuuttia. Jokainen oppitunti on lyhyt ja interaktiivinen, joten edistyt tasaisesti ja voit jatkaa siitä, mihin jäit – sekä verkossa että sovelluksessa.

Voinko kirjoittaa ja suorittaa koodia tällä Oppikaa tekoälyä Pythonilla-oppitunnilla?

Kyllä. Jokainen Oppikaa tekoälyä Pythonilla-oppitunti sisältää sisäänrakennetun koodieditorin, joten voit kirjoittaa ja suorittaa oikeaa koodia suoraan selaimessa ja saada välitöntä palautetta tekoälyltä – paikallista asennusta ei tarvita.

Kaikki tämän kurssin oppitunnit

Kokeiden seuranta MLflow’lla
Mallirekisteri ja versiointi
Toistettavien ML-putkien rakentaminen
Mallin suorituskyvyn valvonta tuotannossa

← Takaisin: Oppikaa tekoälyä Pythonilla