MLFlow'da deneyleri kaydetme

Uçtan Uca Machine Learning

Joshua Stapleton

Machine Learning Engineer

MLFlow

MLflow olmadan...

İzlenmeyen, dağınık deney çalışmaları
Farklı, karşılaştırılamayan çalışmalar
Yeniden üretilemeyen, kaybolan çalışmalar

MLflow ile...

İzlenen, düzenli deney çalışmaları
Standartlaştırılmış çalışmalar arasında karşılaştırma
Yeniden üretilebilir çalışmalar
Modelleri paylaşın, dağıtın

Deney oluşturma

mlflow.set_experiment()

Deney adını ayarlar
Çalışmalar için bir çalışma alanı sağlar

Kullanım:

import mlflow

# Çalışmalarınız için bir çalışma alanı olan deney adını ayarlayın
mlflow.set_experiment("Heart Disease Classification")

Deneyleri çalıştırma

# Bu deneyde yeni bir çalışma başlatın
with mlflow.start_run():
    # Bir model eğitin, tahmin doğruluğunu alın
    logistic_model = LogisticRegression()

    # Parametreleri kaydedin, örn:
    mlflow.log_param("n_estimators", logistic_model.n_estimators)

    # Metrikleri kaydedin (bu örnekte doğruluk)
    mlflow.log_metric("accuracy", logistic_model.accuracy)

    # Metrikleri yazdırın
    print("Model accuracy: %.3f" % accuracy)

Model accuracy: 0.96

Deneyleri alma

mlflow.get_run(run_id)

Belirli bir çalışmanın metaverisi

mlflow.search_runs()

Birden çok çalışma için metrikleri DataFrame olarak döndürür

Kullanım:

# Çalışma verilerini al ve parametreleri yazdır
run_data = mlflow.get_run(run_id)
print(run_data.data.params)
print(run_data.data.metrics)

# Deneydeki tüm çalışmaları ara
exp_id = run_data.info.experiment_id
runs_df = mlflow.search_runs(exp_id)

{'epochs': '20', 'accuracy': 0.95}

MLFlow arayüzü

MLFlow deney gösterge paneli

MLFlow örnek deney sayfası

MLFlow arayüzü (devam)

Metrik iyileşmesini gösteren örnek grafik

Çalışmalar arasında metrik karşılaştırması örneği

MLflow kaynakları

MLflow'a giriş

MLflow'un resmi sitesi

Hadi pratik yapalım!

Uçtan Uca Machine Learning