Tren og logg til registeret
Kjør treningen og registrer modellen som blir resultatet.
Tren og logg til registeret er en gratis leksjon i MLOps Academy på CoddyKit. Dette er leksjon 1 av 4. Du kan lese hele leksjonen gratis nedenfor – og deretter øve praktisk i nettleseren med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i MLOps Academy, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i MLOps Academy inneholder totalt 4 leksjoner.
Én kjøring, alt registrert
Denne leksjonen knytter trening og registeret sammen. De trener en modell og sender den deretter til MLflow Model Registry, slik at den blir et versjonert og gjenbrukbart artefakt. 🚀
Start en sporingskjøring
Pakk treningen inn i mlflow.start_run(). Alt De logger i denne blokken, tilhører én kjøring med egen ID og tidsstempel.
import mlflow
with mlflow.start_run() as run:
# train and log here
print(run.info.run_id)Tren modellen
Tilpass estimatoren som normalt inne i kjøringen. training-koden endres ikke bare fordi MLflow følger med.
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)Logg parameterne
Registrer valgene De gjorde med log_param. Måneder senere er dette måten De kan huske nøyaktig hvilke innstillinger som produserte denne modellen.
mlflow.log_param("n_estimators", 100)
mlflow.log_param("max_depth", None)Logg metrikkene
Registrer hvor godt modellen gjorde det med log_metric. Metrikkene er tallene De senere sorterer etter når kjøringer skal sammenlignes.
acc = model.score(X_test, y_test)
mlflow.log_metric("accuracy", acc)Logg modellartefaktet
Bruk mlflow.sklearn.log_model til å lagre den tilpassede modellen i kjøringen. MLflow lagrer vekter, variant og miljø samlet.
mlflow.sklearn.log_model(
sk_model=model,
name="model",
)Registrer mens De logger
Send inn registered_model_name, så logger MLflow modellen og registrerer en ny versjon i ett trinn. Dette er den ryddigste fremgangsmåten.
mlflow.sklearn.log_model(
sk_model=model,
name="model",
registered_model_name="churn-classifier",
)Registrer i etterkant
Har De allerede logget en modell? Kall register_model med URI-en til kjøringen for å legge den til i registeret uten å trene på nytt.
uri = "runs:/<run_id>/model"
mlflow.register_model(uri, "churn-classifier")Versjoner økes automatisk
Registrer samme navn på nytt, så får De version 2, deretter 3 og så videre. Registeret beholder alle versjoner og overskriver aldri en gammel versjon.
Rask kontroll
De logger en modell under et navn som allerede finnes. Hva skjer?
Kjøringen er bekreftet
Når blokken avsluttes, merkes kjøringen som FINISHED. Parametrene, metrikkene og den registrerte modellversjonen er nå permanent koblet sammen.
Finn den i brukergrensesnittet
Åpne MLflow-brukergrensesnittet. Kjøringen vises under eksperimentet, og den nye modellversjonen står oppført i fanen Models. Ingenting går tapt.
Oppsummering: Tren, logg, registrer
De trente i en kjøring, logget parametere og metrikk, lagret modellen og registrerte en versjon. Tren, logg, registrer: Det er starten på en ekte pipeline. ✅
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
- 30
- Leksjoner
- 120
Ofte stilte spørsmål
Er leksjonen «Tren og logg til registeret» gratis?
Ja – hele teksten i «Tren og logg til registeret» er gratis å lese her på nettet. For å øve interaktivt med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt, og for å låse opp resten av MLOps Academy-kurset, kan du oppgradere til CoddyKit PRO. Kurset i MLOps Academy inneholder totalt 4 leksjoner.
Hva lærer jeg i «Tren og logg til registeret»?
Kjør treningen og registrer modellen som blir resultatet. Du øver på MLOps Academy 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 MLOps Academy?
Ingen tidligere erfaring er nødvendig. MLOps Academy 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 «Tren og logg til registeret»?
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 MLOps Academy-leksjonen?
Ja. Alle MLOps Academy-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
- Tren og logg til registeret
- Promoter den beste modellen til Production
- Lever Production-modellen
- Spor en prediksjon tur-retur