Lär Er AI med Python · Lektion

Experimentuppföljning med MLflow

mlflow.start_run(), log_param(), log_metric(), log_artifact(), visa MLflow-gränssnittet.

Lektion 1 av 413 steg

Experimentuppföljning med MLflow är en gratis lektion i Lär Er AI med Python på CoddyKit. Detta är lektion 1 av 4. Du kan läsa vilka 3 lektioner som helst i den här lärvägen kostnadsfritt i sin helhet – därefter låser CoddyKit PRO upp alla lektioner, plus praktisk övning med en inbyggd kodredigerare och en AI-lärare dygnet runt. Den ingår i lärvägen för Lär Er AI med Python, och Era framsteg synkroniseras mellan webben och CoddyKit-appen. Kursen i Lär Er AI med Python innehåller totalt 4 lektioner.

Varför spåra experiment?

ML-arbete innebär dussintals körningar med olika parametrar och data. Utan spårning förlorar du informationen om vilka inställningar som gav din bästa modell. MLflow registrerar parametrar, mått och artefakter för varje körning, så att resultaten kan återskapas och jämföras.

Installation och import

MLflow kräver bara en pip-installation och en import.

# pip install mlflow
import mlflow
import mlflow.sklearn

Kontexten start_run

mlflow.start_run() öppnar en körning som en kontexthanterare. Allt som loggas i with-blocket tillhör den körningen, och körningen avslutas automatiskt när blocket lämnas.

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

Loggning av parametrar

log_param registrerar en enskild hyperparameter, alltså ett värde som du har valt. Logga allt som definierar körningen så att du kan återskapa den senare.

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

Loggning av mått

log_metric registrerar ett numeriskt resultat, till exempel träffsäkerhet eller förlust. Mått kan loggas upprepade gånger med ett step för att följa träningskurvor.

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

Parametrar kontra mått

Parametrar: värden som du anger (inlärningshastighet, djup). Loggas en gång.
Mått: resultat som du mäter (träffsäkerhet, RMSE). Kan ändras mellan olika steg.

Genom att hålla dem åtskilda kan MLflow jämföra körningar i tabeller och diagram.

Loggning av artefakter

log_artifact lagrar valfri fil tillsammans med körningen: diagram, förväxlingsmatriser, dataexempel och konfigurationsfiler. Artefakter är sättet att bifoga stödjande underlag till en körning.

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

Loggning av modellen

mlflow.sklearn.log_model serialiserar en tränad scikit-learn-modell som en artefakt och paketerar den med dess beroenden, så att den kan läsas in eller distribueras senare. Varje ramverk har sin egen flavor (mlflow.keras, mlflow.pytorch).

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

run_id

Varje körning får ett unikt run_id. Det används för att programmatiskt referera till, läsa in eller jämföra en specifik körning.

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

En komplett körning

Så här sätts allt ihop: öppna en körning, logga parametrar, träna, logga mått och logga modellen – allt i samma block.

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")

Visa experiment

Kör mlflow ui i terminalen för att starta en lokal webbpanel (standardadress http://localhost:5000), där du kan bläddra bland körningar, sortera efter mått och jämföra parametrar sida vid sida.

# terminal
mlflow ui

Snabbtest

Testa dina kunskaper om MLflow-spårning.

Besvara frågan i den interaktiva lektionen

Sammanfattning

Du spårade experiment med MLflow: start_run() öppnar en körning, log_param/log_metric registrerar indata och resultat, log_artifact lagrar filer och mlflow.sklearn.log_model sparar modellen. Varje körning har ett run_id, och mlflow ui visar allt. Nästa steg är modellregistret och versionshantering.

Gratis att börja

Lär dig Python med en AI-lärare – gratis

Skriv och kör riktig kod i webbläsaren, få omedelbar hjälp av en AI-lärare dygnet runt och fortsätt där du slutade – på webben eller i appen.

Kurser: 53
Lektioner: 225

Börja lära dig gratis Visa hela kursen

Vanliga frågor

Är lektionen ”Experimentuppföljning med MLflow” gratis?

Ja – du kan läsa vilka 3 lektioner som helst i lärvägen Lär Er AI med Python, inklusive ”Experimentuppföljning med MLflow”, kostnadsfritt i sin helhet här på webben. Därefter låser CoddyKit PRO upp alla lektioner, plus interaktiv övning med en inbyggd kodredigerare och en AI-lärare dygnet runt. Kursen i Lär Er AI med Python innehåller totalt 4 lektioner.

Vad lär jag mig i ”Experimentuppföljning med MLflow”?

mlflow.start_run(), log_param(), log_metric(), log_artifact(), visa MLflow-gränssnittet. Ni övar på Lär Er AI med Python med praktisk kod som körs direkt i webbläsaren, medan en AI-handledare som är tillgänglig dygnet runt svarar på Era frågor under lektionen.

Behöver jag någon erfarenhet för att börja lära mig Lär Er AI med Python?

Du behöver inga förkunskaper. Utbildningen i Lär Er AI med Python på CoddyKit är upplagd för allt från nybörjare till avancerade elever, så att du kan börja här eller från början och gå fram i din egen takt. Detta är lektion 1 av 4.

Hur lång tid tar lektionen ”Experimentuppföljning med MLflow”?

De flesta CoddyKit-lektioner tar cirka 5–10 minuter. Varje lektion är kort och interaktiv, så att du gör stadiga framsteg och kan fortsätta precis där du slutade – på webben eller i appen.

Kan jag skriva och köra kod i den här Lär Er AI med Python-lektionen?

Ja. Varje Lär Er AI med Python-lektion innehåller en inbyggd kodredigerare, så att du kan skriva och köra riktig kod direkt i webbläsaren och få omedelbar AI-feedback – utan lokal installation.

Alla lektioner i den här kursen

← Tillbaka till Lär Er AI med Python