Rejestrowanie parametrów, metryk i artefaktów
Rejestruj hiperparametry, wyniki i pliki dla każdego uruchomienia.
Rejestrowanie parametrów, metryk i artefaktów to bezpłatna lekcja MLOps Academy na CoddyKit. To lekcja 2 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 MLOps Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs MLOps Academy zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
Three Things to Log
Inside a run you capture three kinds of data: the parameters you chose, the metrics you measured, and the files you produced.
Log a Parameter
A parameter is an input you picked, like learning rate or tree depth. Log it once so you always know how a run was configured.
mlflow.log_param("learning_rate", 0.01)Log Many Params at Once
Got a whole config dict? Use log_params to record every key and value in one call instead of writing them line by line.
mlflow.log_params({"max_depth": 6, "n_estimators": 200})Log a Metric
A metric is a number your model earned, like accuracy or loss. Log it so runs can be ranked and compared later.
mlflow.log_metric("accuracy", 0.92)Metrics Can Have Steps
Metrics change over training. Pass a step to log loss at each epoch, and MLflow draws a curve you can inspect in the UI.
for epoch in range(10):
mlflow.log_metric("loss", loss, step=epoch)What an Artifact Is
An artifact is any file a run produces: a saved model, a plot, a confusion matrix image, or a CSV of predictions.
Log an Artifact
Use log_artifact to attach a local file to the run. MLflow copies it to the artifact store so it stays tied to that experiment.
mlflow.log_artifact("confusion_matrix.png")Params vs Metrics
The rule of thumb: a param is an input you control, a metric is an output you measure. Logging both makes runs fully comparable.
Tag Your Runs
Add a tag to label a run with free-form notes, like the data version or who triggered it. Tags make later searching far easier.
mlflow.set_tag("data_version", "v3")It All Lives in the Run
Every param, metric, and artifact attaches to the active run. Close the run and that snapshot is frozen forever for you to revisit.
Log Early, Log Often
Cheap to log, painful to lose. Capture everything that might matter, because you can never reconstruct a run you failed to record.
Quick Check
Let us check that you can tell params from metrics.
Recap
You logged params, metrics with steps, artifacts, and tags. A run now holds its full story, ready to compare against the rest. ✅
Często zadawane pytania
Czy lekcja „Rejestrowanie parametrów, metryk i artefaktów” jest bezpłatna?
Tak — pełny tekst „Rejestrowanie parametrów, metryk i artefaktów” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu MLOps Academy, przejdź na CoddyKit PRO. Kurs MLOps Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Rejestrowanie parametrów, metryk i artefaktów”?
Rejestruj hiperparametry, wyniki i pliki dla każdego uruchomienia. Ćwiczysz MLOps Academy 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 MLOps Academy?
Nie wymagamy żadnego doświadczenia. MLOps Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.
Ile czasu zajmuje lekcja „Rejestrowanie parametrów, metryk i artefaktów”?
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 MLOps Academy?
Tak. Każda lekcja MLOps Academy 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
- Instalacja MLflow i rozpoczęcie śledzenia
- Rejestrowanie parametrów, metryk i artefaktów
- Porównywanie uruchomień w interfejsie MLflow
- Automatyczne logowanie jedną linią kodu