0Pricing
Learn AI with Python · Lekcja

Śledzenie eksperymentów za pomocą MLflow

mlflow.start_run(), log_param(), log_metric(), log_artifact(), przeglądanie interfejsu MLflow.

Śledzenie eksperymentów za pomocą MLflow to bezpłatna lekcja Learn AI with Python na CoddyKit. To lekcja 1 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Learn AI with Python, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Learn AI with Python zawiera 4 lekcji w sumie.

Dlaczego śledzić eksperymenty

Praca z ML obejmuje dziesiątki uruchomień z różnymi parametrami i danymi. Bez śledzenia trudno ustalić, które ustawienia doprowadziły do uzyskania najlepszego modelu. MLflow rejestruje parametry, metryki i artefakty dla każdego uruchomienia, dzięki czemu wyniki można odtworzyć i porównać.

Instalacja i importowanie

MLflow wymaga tylko jednorazowego polecenia pip install i importu.

# pip install mlflow
import mlflow
import mlflow.sklearn

Kontekst start_run

mlflow.start_run() otwiera przebieg jako menedżer kontekstu. Wszystko, co zostanie zarejestrowane w bloku with, należy do tego przebiegu, a przebieg jest automatycznie zamykany przy wyjściu z bloku.

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

Rejestrowanie parametrów

log_param rejestruje pojedynczy hiperparametr (wybrane przez Państwa dane wejściowe). Należy rejestrować wszystko, co definiuje przebieg, aby można było później go odtworzyć.

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

Rejestrowanie metryk

log_metric rejestruje wynik liczbowy, taki jak accuracy lub loss (dane wyjściowe). Metryki można rejestrować wielokrotnie, używając step do śledzenia krzywych uczenia.

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

Parametry a metryki

  • Parametry: ustawione dane wejściowe (learning rate, depth). Rejestrowane raz.
  • Metryki: mierzone dane wyjściowe (accuracy, RMSE). Mogą zmieniać się w kolejnych krokach.

Rozdzielenie tych elementów pozwala MLflow porównywać przebiegi w tabelach i na wykresach.

Rejestrowanie artefaktów

log_artifact przechowuje wraz z przebiegiem dowolny plik: wykresy, macierze pomyłek, próbki danych czy pliki konfiguracyjne. Artefakty pozwalają dołączyć do przebiegu dodatkowe dowody i materiały.

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

Rejestrowanie modelu

mlflow.sklearn.log_model serializuje wytrenowany model scikit-learn jako artefakt i dołącza do niego zależności, dzięki czemu można go później ponownie załadować lub wdrożyć. Każdy framework ma własny flavor (mlflow.keras, mlflow.pytorch).

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

run_id

Każdy przebieg otrzymuje unikatowy identyfikator run_id. Służy on do programowego odwoływania się do konkretnego przebiegu, ponownego jego ładowania lub porównywania go z innymi.

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

Kompletny przebieg

Wszystko razem: otwarcie przebiegu, rejestracja parametrów, trenowanie, rejestracja metryk i modelu — wszystko w jednym bloku.

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")

Wyświetlanie eksperymentów

Uruchomienie mlflow ui w terminalu otwiera lokalny panel internetowy (domyślnie http://localhost:5000), w którym można przeglądać przebiegi, sortować je według metryk i porównywać parametry obok siebie.

# terminal
mlflow ui

Szybki test

Sprawdzenie wiedzy dotyczącej śledzenia eksperymentów w MLflow.

Podsumowanie

Śledzili Państwo eksperymenty za pomocą MLflow: start_run() otwiera przebieg, log_param/log_metric rejestrują dane wejściowe i wyjściowe, log_artifact przechowuje pliki, a mlflow.sklearn.log_model zapisuje model. Każdy przebieg ma identyfikator run_id, a mlflow ui wyświetla wszystkie informacje. Następny temat: rejestr modeli i wersjonowanie.

Często zadawane pytania

Czy lekcja „Śledzenie eksperymentów za pomocą MLflow” jest bezpłatna?

Tak — pełny tekst „Śledzenie eksperymentów za pomocą MLflow” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Learn AI with Python, przejdź na CoddyKit PRO. Kurs Learn AI with Python zawiera 4 lekcji w sumie.

Co nauczysz się w „Śledzenie eksperymentów za pomocą MLflow”?

mlflow.start_run(), log_param(), log_metric(), log_artifact(), przeglądanie interfejsu MLflow. Ćwiczysz Learn AI with Python z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć Learn AI with Python?

Nie wymagamy żadnego doświadczenia. Learn AI with Python w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 4.

Ile czasu zajmuje lekcja „Śledzenie eksperymentów za pomocą MLflow”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji Learn AI with Python?

Tak. Każda lekcja Learn AI with Python zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

  1. Śledzenie eksperymentów za pomocą MLflow
  2. Rejestr modeli i wersjonowanie
  3. Tworzenie powtarzalnych potoków ML
  4. Monitorowanie wydajności modelu na produkcji
← Powrót do Learn AI with Python