Registrar automaticamente com uma linha de código

Chamar log_param e log_metric para cada valor se torna cansativo rapidamente. O MLflow usa autolog para capturar a maior parte disso automaticamente.

Adicione uma única chamada antes do treinamento e o autolog se integrará à sua biblioteca, registrando parâmetros, métricas e o modelo por conta própria.

Com o registro automático do sklearn ativado, chamar fit registra seus hiperparâmetros, as pontuações de treinamento e o estimador ajustado sem nenhum código adicional.

Para aprendizado profundo, o autolog funciona por meio do PyTorch Lightning, capturando as métricas de cada época e os pontos de verificação enquanto o ciclo de treinamento é executado.

O autolog pode iniciar uma execução automaticamente quando fit é chamado. Nem é necessário um bloco start_run explícito para scripts simples.

Por padrão, o autolog registra hiperparâmetros, métricas de avaliação, o modelo treinado e, muitas vezes, uma assinatura que descreve as entradas e saídas.

O autolog e o registro manual podem coexistir. Deixe que ele capture o básico e depois adicione seu próprio log_metric para uma pontuação personalizada que ele não conhece.

O autolog aceita opções. Sinalizadores como log_models permitem ignorar artefatos pesados ou silenciar avisos para manter as execuções enxutas e rápidas.

A mesma ideia abrange XGBoost, LightGBM, Keras e outras bibliotecas. Cada integração sabe como obter os parâmetros e as métricas corretos para você.

O autolog é conveniente, mas não faz milagres. Ele não captura nada que seja personalizado para seu projeto; portanto, registre você mesmo as métricas do domínio e os artefatos importantes.

Comece cada projeto com o autolog ativado. Você obtém um acompanhamento detalhado sem esforço e adiciona registros manuais apenas onde eles realmente agregam valor.

Você ativou o autolog, viu que ele captura parâmetros, métricas e modelos automaticamente e aprendeu a adicionar registros manuais onde ele não é suficiente. ✅