Úvod do modelů MLflow

Úvod do MLflow

Weston Bassler

Senior MLOps Engineer

Modely MLflow

Zjednodušení integrace knihoven ML
Zjednodušení nasazení
Konvence nazývaná „Flavors"

flavory

¹ unsplash.com

Vestavěné flavory

OBRÁZKY FLAVORŮ

Psaní vlastních nástrojů z knihoven ML
Flavory zjednodušují potřebu vlastního kódu

# Import flavor from mlflow module
import mlflow.FLAVOR

¹ mlflow.org

Autolog

# Automatically log model and metrics
mlflow.FLAVOR.autolog()

# Scikit-learn built-in flavor
mlflow.sklearn.autolog()

Flavor Scikit-learn

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


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

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

Model bude automaticky zaznamenán při model.fit()

Běžné metriky

Regrese
- střední kvadratická chyba
- odmocnina střední kvadratické chyby
- střední absolutní chyba
- skóre r2

Klasifikace
- skóre přesnosti
- skóre úplnosti
- skóre f1
- skóre správnosti

Běžné parametry

MODEL.get_params()

Běžné parametry

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

# Get params
params = lr.get_params(deep=True)

params

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

Autolog parametrů

parametry

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

Autolog metrik

metriky

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

Formát úložiště

Adresářová struktura modelu:

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

# Autolog
mlflow.sklearn.autolog()

Artefakty

Obsah souboru 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

Pojďme procvičovat!

Úvod do MLflow