Aangepaste modellen

Introductie tot MLflow

Weston Bassler

Senior MLOps Engineer

Voorbeelden van use-cases

  • NLP - Tokenizer(s)

  • Classificatie - Labelencoder

  • Pre-/postprocessing

  • Geen ingebouwde flavor

Anders

1 unsplash.com
Introductie tot MLflow

Aangepaste Python-modellen

  • Ingebouwde flavor - python_function

  • mlflow.pyfunc

    • save_model()
    • log_model()
    • load_model()
Introductie tot MLflow

Aangepaste modelclass

  • Aangepaste modelclass

    • MyClass(mlflow.pyfunc.PythonModel)

  • PythonModel-klasse

    • load_context() - laadt artifacts wanneer mlflow.pyfunc.load_model() wordt aangeroepen
    • predict() - neemt modelinput en voert door de gebruiker gedefinieerde evaluatie uit
Introductie tot MLflow

Python-class

# Class
class MyPythonClass:

    # Function that prints Hello!
    def my_func():
        print("Hello!")


# Create a new Object
x = MyPythonClass()

# Excute my_func function
x.my_func()

"Hello!"
Introductie tot MLflow

Voorbeeld van een aangepaste class

import mlflow.pyfunc

# Define the model class
class CustomPredict(mlflow.pyfunc.PythonModel):

    # Load artifacts
    def load_context(self, context):
        self.model = mlflow.sklearn.load_model(context.artifacts["custom_model"])

    # Evaluate input using custom_function()
    def predict(self, context, model_input):
        prediction = self.model.predict(model_input)
        return custom_function(prediction)
Introductie tot MLflow

Aangepast model opslaan en loggen

# Save model to local filesystem
mlflow.pyfunc.save_model(path="custom_model", python_model=CustomPredict())

# Log model to MLflow Tracking
mlflow.pyfunc.log_model(artifact_path="custom_model", python_model=CustomPredict())
Introductie tot MLflow

Aangepaste modellen laden

# Load model from local filesystem
mlflow.pyfunc.load_model("local")

# Load model from MLflow Tracking
mlflow.pyfunc.load_model("runs:/run_id/tracking_path")
Introductie tot MLflow

Modelevaluatie

  • mlflow.evaluate() - Prestatie op basis van een dataset

  • Regressie- en classificatiemodellen

Introductie tot MLflow

Evaluatievoorbeeld

# Training Data
X_train, X_test, y_train, y_test = \
    train_test_split(X, y,
    train_size=0.7,random_state=0)


# Linear Regression model
lr = LinearRegression()
lr.fit(X_train, y_train)

# Dataset
eval_data = X_test
eval_data["test_label"] = y_test


# Evaluate model with Dataset 
mlflow.evaluate(
    "runs:/run_id/model",
    eval_data,
    targets="test_label",
    model_type="regressor"
)
Introductie tot MLflow

Tracking-UI

eval

shap

1 shap.readthedocs.io
Introductie tot MLflow

Laten we oefenen!

Introductie tot MLflow

Preparing Video For Download...