Tracciamento degli esperimenti con MLflow
mlflow.start_run(), log_param(), log_metric(), log_artifact(), visualizzazione dell'interfaccia MLflow
Tracciamento degli esperimenti con MLflow è una lezione Learn AI with Python gratuita su CoddyKit. Questa è la lezione 1 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento Learn AI with Python, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso Learn AI with Python include 4 lezioni in totale.
Perché tenere traccia degli esperimenti?
Il lavoro di ML comporta decine di esecuzioni con parametri e dati diversi. Senza un sistema di tracciamento, si perde l'informazione su quali impostazioni abbiano prodotto il modello migliore. MLflow registra parametri, metriche e artefatti per ogni esecuzione, così i risultati sono riproducibili e confrontabili.
Installazione e importazione
MLflow si installa con pip e si importa in un'unica operazione.
# pip install mlflow
import mlflow
import mlflow.sklearnIl contesto start_run
mlflow.start_run() apre un'esecuzione come gestore di contesto. Tutto ciò che viene registrato all'interno del blocco with appartiene a quell'esecuzione, che viene chiusa automaticamente all'uscita.
with mlflow.start_run():
# log params, metrics, model here
passRegistrazione dei parametri
log_param registra un singolo iperparametro, cioè un valore di input scelto da Lei. Registri tutto ciò che definisce l'esecuzione, così potrà riprodurla in seguito.
with mlflow.start_run():
mlflow.log_param("n_estimators", 200)
mlflow.log_param("max_depth", 8)Registrazione delle metriche
log_metric registra un risultato numerico, come l'accuratezza o la loss, cioè un valore di output. Le metriche possono essere registrate più volte con uno step per tracciare le curve di addestramento.
mlflow.log_metric("accuracy", 0.93)
mlflow.log_metric("val_loss", 0.21, step=epoch)Parametri e metriche
- Parametri: input impostati da Lei, come learning rate e profondità. Vengono registrati una sola volta.
- Metriche: output misurati da Lei, come accuratezza e RMSE. Possono cambiare tra i vari step.
Tenendoli separati, MLflow può confrontare le esecuzioni in tabelle e grafici.
Registrazione degli artefatti
log_artifact archivia qualsiasi file insieme all'esecuzione: grafici, matrici di confusione, campioni di dati e file di configurazione. Gli artefatti permettono di allegare prove di supporto a un'esecuzione.
mlflow.log_artifact("confusion_matrix.png")
mlflow.log_artifact("feature_importance.csv")Registrazione del modello
mlflow.sklearn.log_model serializza un modello scikit-learn addestrato come artefatto, includendo le relative dipendenze, così da poterlo ricaricare o distribuire in seguito. Ogni framework ha il proprio flavor (mlflow.keras, mlflow.pytorch).
mlflow.sklearn.log_model(model, artifact_path="model")Il run_id
Ogni esecuzione riceve un run_id univoco. Può usarlo per fare riferimento a un'esecuzione specifica, ricaricarla o confrontarla a livello programmatico.
with mlflow.start_run() as run:
mlflow.log_metric("accuracy", 0.93)
print("Run ID:", run.info.run_id)Un'esecuzione completa
Riassumendo: apra un'esecuzione, registri i parametri, addestri il modello, registri le metriche e registri il modello, tutto nello stesso blocco.
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")Visualizzazione degli esperimenti
Esegua mlflow ui nel terminale per avviare un dashboard web locale (impostazione predefinita: http://localhost:5000), dove potrà consultare le esecuzioni, ordinarle in base alle metriche e confrontare i parametri affiancati.
# terminal
mlflow uiVerifica rapida
Verifichi le Sue conoscenze sul tracciamento con MLflow.
Riepilogo
Ha tracciato gli esperimenti con MLflow: start_run() apre un'esecuzione, log_param/log_metric registrano input e output, log_artifact archivia i file e mlflow.sklearn.log_model salva il modello. Ogni esecuzione ha un run_id e mlflow ui mostra tutte le informazioni. Prossimo argomento: il registro dei modelli e il versioning.
Domande Frequenti
La lezione «Tracciamento degli esperimenti con MLflow» è gratuita?
Sì — il testo completo di «Tracciamento degli esperimenti con MLflow» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso Learn AI with Python, passa a CoddyKit PRO. Il corso Learn AI with Python include 4 lezioni in totale.
Cosa imparerò in «Tracciamento degli esperimenti con MLflow»?
mlflow.start_run(), log_param(), log_metric(), log_artifact(), visualizzazione dell'interfaccia MLflow Eserciti Learn AI with Python con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare Learn AI with Python?
Non è richiesta alcuna esperienza precedente. Learn AI with Python su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 1 di 4.
Quanto tempo richiede la lezione «Tracciamento degli esperimenti con MLflow»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione Learn AI with Python?
Sì. Ogni lezione Learn AI with Python include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Tracciamento degli esperimenti con MLflow
- Registro dei modelli e versionamento
- Creazione di pipeline ML riproducibili
- Monitoraggio delle prestazioni dei modelli in produzione