Journaliser les paramètres, les métriques et les artefacts
Enregistrez les hyperparamètres, les scores et les fichiers pour chaque exécution.
Journaliser les paramètres, les métriques et les artefacts est une leçon MLOps Academy gratuite sur CoddyKit. Ceci est la leçon 2 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.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Three Things to Log
Inside a run you capture three kinds of data: the parameters you chose, the metrics you measured, and the files you produced.
Log a Parameter
A parameter is an input you picked, like learning rate or tree depth. Log it once so you always know how a run was configured.
mlflow.log_param("learning_rate", 0.01)Log Many Params at Once
Got a whole config dict? Use log_params to record every key and value in one call instead of writing them line by line.
mlflow.log_params({"max_depth": 6, "n_estimators": 200})Log a Metric
A metric is a number your model earned, like accuracy or loss. Log it so runs can be ranked and compared later.
mlflow.log_metric("accuracy", 0.92)Metrics Can Have Steps
Metrics change over training. Pass a step to log loss at each epoch, and MLflow draws a curve you can inspect in the UI.
for epoch in range(10):
mlflow.log_metric("loss", loss, step=epoch)What an Artifact Is
An artifact is any file a run produces: a saved model, a plot, a confusion matrix image, or a CSV of predictions.
Log an Artifact
Use log_artifact to attach a local file to the run. MLflow copies it to the artifact store so it stays tied to that experiment.
mlflow.log_artifact("confusion_matrix.png")Params vs Metrics
The rule of thumb: a param is an input you control, a metric is an output you measure. Logging both makes runs fully comparable.
Tag Your Runs
Add a tag to label a run with free-form notes, like the data version or who triggered it. Tags make later searching far easier.
mlflow.set_tag("data_version", "v3")It All Lives in the Run
Every param, metric, and artifact attaches to the active run. Close the run and that snapshot is frozen forever for you to revisit.
Log Early, Log Often
Cheap to log, painful to lose. Capture everything that might matter, because you can never reconstruct a run you failed to record.
Quick Check
Let us check that you can tell params from metrics.
Recap
You logged params, metrics with steps, artifacts, and tags. A run now holds its full story, ready to compare against the rest. ✅
Questions Fréquemment Posées
La leçon « Journaliser les paramètres, les métriques et les artefacts » est-elle gratuite ?
Oui — le texte complet de « Journaliser les paramètres, les métriques et les artefacts » 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 « Journaliser les paramètres, les métriques et les artefacts » ?
Enregistrez les hyperparamètres, les scores et les fichiers pour chaque exécution. 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 2 sur 4.
Combien de temps prend la leçon « Journaliser les paramètres, les métriques et les artefacts » ?
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