Träna och logga till registret
Kör träningen och registrera den resulterande modellen.
Träna och logga till registret är en gratis lektion i MLOps Academy på CoddyKit. Detta är lektion 1 av 4. Ni kan läsa hela lektionen gratis nedan och sedan öva praktiskt i webbläsaren med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt. Den ingår i lärvägen för MLOps Academy, och Era framsteg synkroniseras mellan webben och CoddyKit-appen. Kursen i MLOps Academy innehåller totalt 4 lektioner.
En körning, helt fångad
Den här lektionen knyter ihop träning och registret. Du tränar en modell och pushar den sedan till MLflow Model Registry, där den blir en versionshanterad och återanvändbar artefakt. 🚀
Starta en spårningskörning
Omslut träningen med mlflow.start_run(). Allt du loggar i det blocket hör till en körning med eget ID och tidsstämpel.
import mlflow
with mlflow.start_run() as run:
# train and log here
print(run.info.run_id)Träna din modell
Träna din estimator som vanligt i körningen. training-koden ändras inte bara för att MLflow övervakar den.
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)Logga parametrarna
Registrera de val du gjorde med log_param. Månader senare är det så du kan komma ihåg exakt vilka inställningar som skapade modellen.
mlflow.log_param("n_estimators", 100)
mlflow.log_param("max_depth", None)Logga mätvärdena
Fånga hur bra modellen fungerade med log_metric. Mätvärden är de tal du senare sorterar efter när du jämför körningar.
acc = model.score(X_test, y_test)
mlflow.log_metric("accuracy", acc)Logga modellartefakten
Använd mlflow.sklearn.log_model för att spara den tränade modellen i körningen. MLflow lagrar vikter, modellvariant och miljö tillsammans.
mlflow.sklearn.log_model(
sk_model=model,
name="model",
)Registrera samtidigt som du loggar
Skicka med registered_model_name, så loggar MLflow modellen och registrerar en ny version i ett enda steg. Det är den enklaste vägen.
mlflow.sklearn.log_model(
sk_model=model,
name="model",
registered_model_name="churn-classifier",
)Registrera i efterhand
Har du redan loggat en modell? Anropa register_model med körningens URI för att lägga till den i registret utan att träna om något.
uri = "runs:/<run_id>/model"
mlflow.register_model(uri, "churn-classifier")Versionerna ökas automatiskt
Registrera samma namn igen så får du version 2, sedan 3 och så vidare. Registret behåller varje version och skriver aldrig över en gammal.
Snabb kontroll
Du loggar en modell under ett namn som redan finns. Vad händer?
Körningen bekräftad
När blocket avslutas markeras körningen som FINISHED. Dina parametrar, mätvärden och den registrerade modellversionen är nu permanent sammankopplade.
Hitta den i användargränssnittet
Öppna MLflow UI, så visas körningen under sitt experiment och den nya modellversionen listas på fliken Models. Inget går förlorat.
Sammanfattning: träna, logga, registrera
Du tränade i en körning, loggade parametrar och mätvärden, sparade modellen och registrerade en version. Träna, logga, registrera: det är början på en riktig pipeline. ✅
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
- 30
- Lektioner
- 120
Vanliga frågor
Är lektionen ”Träna och logga till registret” gratis?
Ja – hela texten till ”Träna och logga till registret” kan läsas gratis här på webben. Om Ni vill öva interaktivt med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt och låsa upp resten av kursen i MLOps Academy, kan Ni uppgradera till CoddyKit PRO. Kursen i MLOps Academy innehåller totalt 4 lektioner.
Vad lär jag mig i ”Träna och logga till registret”?
Kör träningen och registrera den resulterande modellen. Ni övar på MLOps Academy 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 MLOps Academy?
Du behöver inga förkunskaper. Utbildningen i MLOps Academy 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 ”Träna och logga till registret”?
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 MLOps Academy-lektionen?
Ja. Varje MLOps Academy-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
- Träna och logga till registret
- Befordra den bästa modellen till Production
- Tillgängliggör Production-modellen
- Spåra en prediktionsresa tur och retur