Przepływy pracy

Wprowadzenie do MLflow

Weston Bassler

Senior MLOps Engieer

MLflow Projects

Przepływ pracy

1 unsplash.com
Wprowadzenie do MLflow

MLproject

name: project_name
python_env: python_env.yaml
entry_points:

  step_1:
    command: "python train_model.py"

  step_2:
    command: "python evaluate_model.py {run_id}"
    parameters:
        run_id:
            type: str
            default: None
Wprowadzenie do MLflow

Przepływy pracy

import mlflow

# Step 1
step_1 = mlflow.projects.run(
    uri='./',
    entry_point='step_1'
)

# Step 2
step_2 = mlflow.projects.run(
    uri='./',
    entry_point='step_2'
)
Wprowadzenie do MLflow

Uruchamianie projektów

import mlflow

# Step 1
step_1 = mlflow.projects.run(
    uri='./',
    entry_point='step_1'
)


print(step_1)

<mlflow.projects.submitted_run.LocalSubmittedRun object at 0x125eac8b0>
Wprowadzenie do MLflow

Uruchamianie projektów

step_1.cancel() - Zatrzymanie bieżącego uruchomienia

step_1.get_status() - Pobranie statusu uruchomienia

step_1.run_id - run_id uruchomienia

step_1.wait() - Oczekiwanie na zakończenie uruchomienia

Wprowadzenie do MLflow

Uruchamianie projektów

import mlflow

# Step 1
step_1 = mlflow.projects.run(
    uri='./',
    entry_point='step_1'
)


# Set variable for step_1 run_id
step_1_run_id = step_1.run_id

# Step 2
step_2 = mlflow.projects.run(
    uri='./',
    entry_point='step_2',

    parameters={
        'run_id': step_1_run_id
    }

)
Wprowadzenie do MLflow

Cykl życia ML

Inżynieria modelu i ewaluacja modelu

Wprowadzenie do MLflow

Czas na ćwiczenia!

Wprowadzenie do MLflow

Preparing Video For Download...