Pengantar MLflow Models

Pengantar MLflow

Weston Bassler

Senior MLOps Engineer

MLflow Models

Sederhanakan integrasi pustaka ML
Sederhanakan deployment
Konvensi bernama "Flavors"

flavors

¹ unsplash.com

Flavors Bawaan

GAMBAR FLAVORS

Tulis tool kustom dari pustaka ML
Flavors memudahkan kode kustom baru

# Import flavor dari modul mlflow
import mlflow.FLAVOR

¹ mlflow.org

Autolog

# Catat model dan metrik otomatis
mlflow.FLAVOR.autolog()

# Flavor bawaan scikit-learn
mlflow.sklearn.autolog()

Flavor Scikit-learn

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


# Menggunakan auto-logging 
mlflow.sklearn.autolog()

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

Model akan tercatat otomatis saat model.fit()

Metrik Umum

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

Klasifikasi
- precision score
- recall score
- f1 score
- accuracy score

Parameter Umum

MODEL.get_params()

Parameter umum

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

# Ambil parameter
params = lr.get_params(deep=True)

params

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

Autolog parameter

parameter

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

Autolog metrik

metrik

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

Format penyimpanan

Struktur direktori untuk model:

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

# Autolog
mlflow.sklearn.autolog()

Artefak

Isi 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

Ayo berlatih!

Pengantar MLflow