Lær AI med Python · leksjon

Eksperimentsporing med MLflow

mlflow.start_run(), log_param(), log_metric(), log_artifact() og visning av MLflow-grensesnittet.

Leksjon 1 av 413 trinn

Eksperimentsporing med MLflow er en gratis leksjon i Lær AI med Python på CoddyKit. Dette er leksjon 1 av 4. Du kan lese valgfritt 3 leksjoner fra denne læringsstien gratis i sin helhet – deretter låser CoddyKit PRO opp alle leksjoner, samt praktisk øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i Lær AI med Python, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i Lær AI med Python inneholder totalt 4 leksjoner.

Hvorfor spore eksperimenter?

ML-arbeid innebærer dusinvis av kjøringer med ulike parametere og data. Uten sporing mister du oversikten over hvilke innstillinger som ga den beste modellen. MLflow registrerer parametere, målinger og artefakter for hver kjøring, slik at resultatene kan gjenskapes og sammenlignes.

Installering og import

MLflow installeres og importeres med én enkelt pip-kommando.

# pip install mlflow
import mlflow
import mlflow.sklearn

Konteksten start_run

mlflow.start_run() åpner en kjøring som en context manager. Alt som logges i with-blokken, tilhører denne kjøringen, og kjøringen lukkes automatisk når blokken avsluttes.

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

Logge parametere

log_param registrerer én hyperparameter (en inndata du valgte). Logg alt som definerer kjøringen, slik at du kan gjenskape den senere.

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

Logge målinger

log_metric registrerer et numerisk resultat, for eksempel nøyaktighet eller tapsverdi (en utdata). Målinger kan logges flere ganger med en step for å følge treningskurver.

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

Parametere kontra målinger

Parametere: inndata du angir (læringsrate, dybde). Logges én gang.
Målinger: utdata du måler (nøyaktighet, RMSE). Kan endres mellom trinnene.

Ved å holde dem adskilt kan MLflow sammenligne kjøringer i tabeller og diagrammer.

Logge artefakter

log_artifact lagrer en hvilken som helst fil sammen med kjøringen: diagrammer, forvekslingsmatriser, dataeksempler og konfigurasjonsfiler. Artefakter er måten du legger ved støttende dokumentasjon til en kjøring på.

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

Logge modellen

mlflow.sklearn.log_model serialiserer en trent scikit-learn-modell som et artefakt, pakket sammen med avhengighetene slik at den kan lastes inn på nytt eller distribueres senere. Hvert rammeverk har sin egen variant (mlflow.keras, mlflow.pytorch).

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

run_id

Hver kjøring får en unik run_id. Du bruker den til å referere til, laste inn eller sammenligne en bestemt kjøring programmatisk.

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

En komplett kjøring

Slik settes alt sammen: åpne en kjøring, logg parametere, tren, logg målinger og logg modellen, alt i én blokk.

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")

Vise eksperimenter

Kjør mlflow ui i terminalen for å starte et lokalt nettbasert kontrollpanel (standardadresse http://localhost:5000), der du kan bla gjennom kjøringer, sortere etter måling og sammenligne parametere side ved side.

# terminal
mlflow ui

Hurtigsjekk

Test kunnskapene dine om sporing med MLflow.

Besvar den i den interaktive leksjonen

Oppsummering

Du sporet eksperimenter med MLflow: start_run() åpner en kjøring, log_param/log_metric registrerer inndata og utdata, log_artifact lagrer filer, og mlflow.sklearn.log_model lagrer modellen. Hver kjøring har en run_id, og mlflow ui viser alt. Neste tema er modellregisteret og versjonering.

Gratis å komme i gang

Lær deg Python med en AI-veileder – gratis

Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.

Kurs: 53
Leksjoner: 225

Start læringen gratis Se hele kurset

Ofte stilte spørsmål

Er leksjonen «Eksperimentsporing med MLflow» gratis?

Ja – du kan lese valgfritt 3 av leksjonene i læringsstien Lær AI med Python, inkludert «Eksperimentsporing med MLflow», gratis i sin helhet her på nettet. Deretter låser CoddyKit PRO opp alle leksjoner, samt interaktiv øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Kurset i Lær AI med Python inneholder totalt 4 leksjoner.

Hva lærer jeg i «Eksperimentsporing med MLflow»?

mlflow.start_run(), log_param(), log_metric(), log_artifact() og visning av MLflow-grensesnittet. Du øver på Lær AI med Python med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.

Trenger jeg erfaring for å begynne med Lær AI med Python?

Ingen tidligere erfaring er nødvendig. Lær AI med Python på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 1 av 4.

Hvor lang tid tar leksjonen «Eksperimentsporing med MLflow»?

De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.

Kan jeg skrive og kjøre kode i denne Lær AI med Python-leksjonen?

Ja. Alle Lær AI med Python-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.

Alle leksjonene i dette kurset

Eksperimentsporing med MLflow
Modellregister og versjonering
Bygging av reproduserbare ML-pipelines
Overvåking av modellens ytelse i produksjon

← Tilbake til Lær AI med Python