Activer la journalisation automatique en une ligne de code
Laissez MLflow enregistrer automatiquement les exécutions de sklearn et PyTorch.
Activer la journalisation automatique en une ligne de code est une leçon MLOps Academy gratuite sur CoddyKit. Ceci est la leçon 4 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage MLOps Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours MLOps Academy comprend 4 leçons au total.
Consigner manuellement est fastidieux
Appeler log_param et log_metric pour chaque valeur devient vite lassant. MLflow autolog en capture automatiquement la majeure partie pour vous.
Une ligne suffit pour l'activer
Ajoutez un seul appel avant l'entraînement et autolog s'intègre à votre bibliothèque pour enregistrer seul les paramètres, les métriques et le modèle.
import mlflow
mlflow.autolog()Consignation automatique avec Sklearn
Lorsque la consignation automatique de sklearn est activée, l'appel à fit enregistre vos hyperparamètres, vos scores d'entraînement et l'estimateur ajusté, sans code supplémentaire.
mlflow.sklearn.autolog()
model.fit(X_train, y_train)Consignation automatique avec PyTorch
Pour l'apprentissage profond, autolog fonctionne via PyTorch Lightning et capture les métriques de chaque époque ainsi que les points de contrôle pendant l'exécution de votre boucle d'entraînement.
mlflow.pytorch.autolog()Il démarre les exécutions pour vous
Autolog peut démarrer une exécution automatiquement lorsque fit est appelé. Vous n’avez même pas besoin d’un bloc start_run explicite pour les scripts simples.
Ce qu’il capture
Par défaut, autolog enregistre les hyperparamètres, les métriques d’évaluation, le modèle entraîné et souvent une signature décrivant les entrées et les sorties.
Combiner l’automatique et le manuel
Autolog et la journalisation manuelle peuvent coexister. Laissez-le capturer les éléments de base, puis ajoutez votre propre log_metric pour un score personnalisé qu’il ne connaît pas.
mlflow.autolog()
mlflow.log_metric("business_roi", roi)Ajuster ce qui est journalisé
Autolog accepte des options. Des indicateurs comme log_models vous permettent d’ignorer les artefacts volumineux ou de désactiver les avertissements afin de conserver des exécutions légères et rapides.
mlflow.sklearn.autolog(log_models=False)De nombreuses bibliothèques prises en charge
La même idée s’applique à XGBoost, LightGBM, Keras et bien d’autres. Chaque intégration sait récupérer les paramètres et les métriques appropriés pour vous.
Connaître ses limites
Autolog est pratique, mais ce n’est pas magique. Il ne détecte rien de personnalisé dans votre projet : vous devez donc journaliser vous-même les métriques métier et les artefacts importants.
Utiliser autolog par défaut
Commencez chaque projet avec autolog activé. Vous bénéficiez gratuitement d’un suivi riche, puis vous ajoutez une journalisation manuelle uniquement là où elle apporte une réelle valeur.
Vérification rapide
Vérifions ce qu’autolog prend en charge ou non.
Récapitulatif
Vous avez activé autolog, constaté qu’il capturait gratuitement les paramètres, les métriques et les modèles, et appris à ajouter une journalisation manuelle là où il atteint ses limites. ✅
Apprends Python avec un tuteur IA — gratuit
Écris et exécute du vrai code dans ton navigateur, obtiens de l'aide instantanée d'un tuteur IA disponible 24h/24, et reprends là où tu t'es arrêté sur le web ou dans l'app.
- Cours
- 30
- Leçons
- 120
Questions Fréquemment Posées
La leçon « Activer la journalisation automatique en une ligne de code » est-elle gratuite ?
Oui — le texte complet de « Activer la journalisation automatique en une ligne de code » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours MLOps Academy, passe à CoddyKit PRO. Le cours MLOps Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Activer la journalisation automatique en une ligne de code » ?
Laissez MLflow enregistrer automatiquement les exécutions de sklearn et PyTorch. Tu pratiques MLOps Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer MLOps Academy ?
Aucune expérience préalable n'est requise. MLOps Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 4 sur 4.
Combien de temps prend la leçon « Activer la journalisation automatique en une ligne de code » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon MLOps Academy ?
Oui. Chaque leçon MLOps Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Installer MLflow et commencer le suivi
- Journaliser les paramètres, les métriques et les artefacts
- Comparer les exécutions dans l’interface MLflow
- Activer la journalisation automatique en une ligne de code