Learn AI with Python · 강의

MLflow를 활용한 실험 추적

mlflow.start_run(), log_param(), log_metric(), log_artifact(), MLflow UI 확인 방법을 다룹니다.

MLflow를 활용한 실험 추적은(는) CoddyKit의 무료 Learn AI with Python 강의입니다. 이것은 4개 중 1번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Learn AI with Python 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.

실험을 추적하는 이유

머신러닝 작업에서는 서로 다른 매개변수와 데이터를 사용해 수십 번 실행합니다. 추적하지 않으면 어떤 설정으로 최상의 모델을 만들었는지 알 수 없게 됩니다. MLflow는 모든 실행의 매개변수, 지표, 산출물을 기록하므로 결과를 재현하고 비교할 수 있습니다.

설치 및 가져오기

MLflow는 pip로 한 번 설치하고 가져오기만 하면 됩니다.

# pip install mlflow
import mlflow
import mlflow.sklearn

start_run 컨텍스트

mlflow.start_run()은 컨텍스트 관리자로 실행을 엽니다. with 블록 안에서 기록한 모든 항목은 해당 실행에 속하며, 블록을 벗어나면 실행이 자동으로 종료됩니다.

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

매개변수 기록

log_param은 하나의 하이퍼파라미터(선택한 입력값)를 기록합니다. 나중에 재현할 수 있도록 실행을 정의하는 모든 항목을 기록하세요.

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

지표 기록

log_metric은 정확도나 손실 같은 수치 결과(출력값)를 기록합니다. 지표는 step과 함께 여러 번 기록하여 학습 곡선을 추적할 수 있습니다.

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

매개변수와 지표 비교

매개변수: 직접 설정하는 입력값(학습률, 깊이)입니다. 한 번 기록합니다.
지표: 측정하는 출력값(정확도, RMSE)입니다. 단계에 따라 달라질 수 있습니다.

둘을 구분해 두면 MLflow가 표와 차트에서 실행을 비교할 수 있습니다.

산출물 기록

log_artifact는 실행과 함께 모든 파일을 저장합니다. 그래프, 오차 행렬, 데이터 샘플, 설정 파일 등이 그 예입니다. 산출물은 실행에 근거 자료를 첨부하는 방법입니다.

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

모델 기록

mlflow.sklearn.log_model은 학습된 scikit-learn 모델을 산출물로 직렬화하고, 나중에 다시 불러오거나 배포할 수 있도록 종속 항목과 함께 묶습니다. 각 프레임워크에는 고유한 형식이 있습니다(mlflow.keras, mlflow.pytorch).

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

실행 ID

모든 실행에는 고유한 run_id가 할당됩니다. 이를 사용하면 특정 실행을 프로그래밍 방식으로 참조하거나 다시 불러오거나 비교할 수 있습니다.

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

완전한 실행

전체 과정을 하나로 합치면 다음과 같습니다. 실행을 열고, 매개변수를 기록하고, 학습한 뒤, 지표와 모델을 모두 하나의 블록 안에서 기록합니다.

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")

실험 보기

터미널에서 mlflow ui를 실행하면 로컬 웹 대시보드가 열립니다(기본 주소 http://localhost:5000). 여기서 실행을 살펴보고, 지표를 기준으로 정렬하고, 매개변수를 나란히 비교할 수 있습니다.

# terminal
mlflow ui

빠른 확인

MLflow 추적에 대한 지식을 확인해 보세요.

복습

MLflow로 실험을 추적했습니다. start_run()은 실행을 열고, log_param/log_metric은 입력값과 출력값을 기록하며, log_artifact는 파일을 저장하고, mlflow.sklearn.log_model은 모델을 저장합니다. 각 실행에는 run_id가 있으며, mlflow ui에서 모든 내용을 확인할 수 있습니다. 다음 주제: 모델 레지스트리와 버전 관리.

자주 묻는 질문

“MLflow를 활용한 실험 추적” 강의는 무료인가요?

네 — “MLflow를 활용한 실험 추적” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Learn AI with Python 강의 전체를 잠금 해제할 수 있습니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.

“MLflow를 활용한 실험 추적”에서 뭘 배우나요?

mlflow.start_run(), log_param(), log_metric(), log_artifact(), MLflow UI 확인 방법을 다룹니다. 브라우저에서 직접 실행하는 실습 코드로 Learn AI with Python을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

Learn AI with Python을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 Learn AI with Python은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 1번째 강의입니다.

“MLflow를 활용한 실험 추적” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 Learn AI with Python 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 Learn AI with Python 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

← Learn AI with Python(으)로 돌아가기