Introductie tot MLflow Models

Introductie tot MLflow

Weston Bassler

Senior MLOps Engineer

MLflow Models

Integreer ML-bibliotheken eenvoudiger
Vereenvoudig deployment
Conventie heet "flavors"

flavors

¹ unsplash.com

Ingebouwde flavors

AFBEELDINGEN VAN FLAVORS

Schrijf custom tools voor ML-bibliotheken
Flavors vereenvoudigen nieuwe custom code

# Importeer flavor uit mlflow-module
import mlflow.FLAVOR

¹ mlflow.org

Autolog

# Log model en metrics automatisch
mlflow.FLAVOR.autolog()

# Scikit-learn ingebouwde flavor
mlflow.sklearn.autolog()

Scikit-learn flavor

# Importeer scikit-learn
import mlflow
from sklearn.linear_model import \
    LinearRegression


# Autologging gebruiken 
mlflow.sklearn.autolog()

# Train het model
lr = LinearRegression()
lr.fit(X, y)

Model wordt automatisch gelogd bij model.fit()

Veelgebruikte metrics

Regressie
- mean squared error
- root mean squared error
- mean absolute error
- r2 score

Classificatie
- precision score
- recall score
- f1 score
- accuracy score

Veelgebruikte parameters

MODEL.get_params()

Veelgebruikte parameters

# Train het model
lr = LinearRegression()
lr.fit(X, y)

# Haal parameters op
params = lr.get_params(deep=True)

params

{'copy_X': True, 'fit_intercept': True, 'n_jobs': None, 
    'normalize': 'deprecated', 'positive': False}

Parameters autologgen

parameters

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

Metrics autologgen

metrics

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

Opslagformaat

Mappenstructuur van een model:

model/
    MLmodel
    model.pkl
    python_env.yaml
    requirements.txt

# Autolog
mlflow.sklearn.autolog()

Artifacts

Inhoud van MLmodel

artifact_path: model
flavors:
  python_function:
    env:
      virtualenv: python_env.yaml
    loader_module: mlflow.sklearn
    model_path: model.pkl
    predict_fn: predict
    python_version: 3.10.8
  sklearn:
    code: null
    pickled_model: model.pkl
    serialization_format: cloudpickle
    sklearn_version: 1.1.3

MLmodel

Laten we oefenen!

Introductie tot MLflow