Model-API

Introductie tot MLflow

Weston Bassler

Senior MLOps Engineer

MLflow REST-API

api

1 istock.com
Introductie tot MLflow

De Model-API

  • Opslaan

  • Loggen

  • Laden

Scikit-Learn

1 wikipedia.org
Introductie tot MLflow

Model-API-functies

# Een model opslaan in het lokale bestandssysteem
mlflow.sklearn.save_model(model, path)

# Een model als artifact loggen naar MLflow Tracking.
mlflow.sklearn.log_model(model, artifact_path)

# Een model laden vanaf lokaal of MLflow Tracking.
mlflow.sklearn.load_model(model_uri)
Introductie tot MLflow

Model laden

  • Lokale bestandsstructuur - relative/path/to/local/model of /Users/me/path/to/local/model

  • MLflow Tracking - runs:/<mlflow_run_id>/run-relative/path/to/model

  • S3-ondersteuning - s3://my_bucket/path/to/model

Introductie tot MLflow

Model opslaan

# Model
lr = LogisticRegression()
lr.fit(X, y)


# Model lokaal opslaan
mlflow.sklearn.save_model(lr, "local_path")

ls local_path/

MLmodel            model.pkl        requirements.txt        python_env.yaml
Introductie tot MLflow

Lokaal model laden

# Model laden vanaf lokaal pad
model = mlflow.sklearn.load_model("local_path")


# Model tonen
model

LogisticRegression()
Introductie tot MLflow

Model loggen

# Model
lr = LogisticRegression(n_jobs=n_jobs)
lr.fit(X, y)


# Model loggen
mlflow.sklearn.log_model(lr, "tracking_path")
Introductie tot MLflow

Tracking-UI

Tracking-UI

Introductie tot MLflow

Laatste actieve run

# Formaat voor runs
runs:/<mlflow_run_id>/run-relative/path/to/model

# Laatste actieve run ophalen
run = mlflow.last_active_run()

run

<Run: data=<RunData: metrics={}, params={}, 
tags={'mlflow.runName': 'run_name'}>, 
 info=<RunInfo: artifact_uri='uri', end_time='end_time', 
 experiment_id='0', lifecycle_stage='active', run_id='run_id', 
 run_name='name', run_uuid='run_uuid', start_time=start_time, 
 status='FINISHED', user_id='user_id'>>
Introductie tot MLflow

ID laatste actieve run

# Laatste actieve run ophalen
run = mlflow.last_active_run()

# run_id van laatste run tonen
run.info.run_id

'8c2061731caf447e805a2ac65630e70c'
Introductie tot MLflow

run_id instellen

# Laatste actieve run ophalen
run = mlflow.last_active_run()

# run_id-variabele zetten
run_id = run.info.run_id

run_id

'8c2061731caf447e805a2ac65630e70c'
Introductie tot MLflow

Model laden via MLflow Tracking

# run_id als f-string literal doorgeven
model = mlflow.sklearn.load_model(f"runs:/{run_id}/tracking_path")

# Model tonen
model

LogisticRegression()
Introductie tot MLflow

Laten we oefenen!

Introductie tot MLflow

Preparing Video For Download...