MLflow पर प्रयोग लॉग करना

एंड-टू-एंड मशीन लर्निंग

Joshua Stapleton

Machine Learning Engineer

MLflow

बिना MLflow...

कई अनट्रैक्ड, बिखरे हुए प्रयोग रन
असमान, तुलना-योग्य नहीं रन
अप्रजननीय, खोए हुए रन

MLflow के साथ...

ट्रैक्ड, व्यवस्थित प्रयोग रन
मानकीकृत रनों की तुलना
पुनरुत्पादन योग्य रन
मॉडल साझा करें, डिप्लॉय करें

एक्सपेरिमेंट बनाना

mlflow.set_experiment()

एक्सपेरिमेंट का नाम सेट करता है
रन के लिए वर्कस्पेस देता है

उपयोग:

import mlflow

# Set an experiment name, which is a workspace for your runs
mlflow.set_experiment("Heart Disease Classification")

एक्सपेरिमेंट चलाना

# Start a new run in this experiment
with mlflow.start_run():
    # Train a model, get the prediction accuracy
    logistic_model = LogisticRegression()

    # Log parameters, eg:
    mlflow.log_param("n_estimators", logistic_model.n_estimators)

    # Log metrics (accuracy in this case)
    mlflow.log_metric("accuracy", logistic_model.accuracy)

    # Print out metrics
    print("Model accuracy: %.3f" % accuracy)

Model accuracy: 0.96

एक्सपेरिमेंट प्राप्त करना

mlflow.get_run(run_id)

किसी विशिष्ट रन का मेटाडेटा

mlflow.search_runs()

कई रनों के मेट्रिक्स का DataFrame देता है

उपयोग:

# Fetch the run data and print params
run_data = mlflow.get_run(run_id)
print(run_data.data.params)
print(run_data.data.metrics)

# Search all runs in experiment
exp_id = run_data.info.experiment_id
runs_df = mlflow.search_runs(exp_id)

{'epochs': '20', 'accuracy': 0.95}

MLflow UI

MLflow एक्सपेरिमेंट डैशबोर्ड

MLflow उदाहरण एक्सपेरिमेंट पेज

MLflow UI (जारी)

मेट्रिक सुधार दिखाता उदाहरण ग्राफ़

रनों के बीच मेट्रिक्स की तुलना का उदाहरण

MLflow संसाधन

MLflow परिचय

MLflow की आधिकारिक वेबसाइट

अभ्यास करते हैं!

एंड-टू-एंड मशीन लर्निंग