MLflow 模型入門

MLflow 入門

Weston Bassler

Senior MLOps Engineer

MLflow 模型

簡化 ML 函式庫整合
簡化部署
稱為「Flavors」的慣例

flavors

¹ unsplash.com

內建 Flavors

IMAGES OF FLAVORS

以 ML 函式庫撰寫自訂工具
Flavors 讓自訂程式更容易

# Import flavor from mlflow module
import mlflow.FLAVOR

¹ mlflow.org

自動記錄（Autolog）

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

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

Scikit-learn Flavor

# 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)

在 model.fit() 時會自動記錄模型。

常用評估指標

回歸
- 均方誤差（MSE）
- 均方根誤差（RMSE）
- 平均絕對誤差（MAE）
- R2 分數

分類
- 精確率
- 召回率
- F1 分數
- 準確率

常用參數

MODEL.get_params()

常見參數

# 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 參數

parameters

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

Autolog 指標

metrics

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

儲存格式

模型的目錄結構：

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

# Autolog
mlflow.sklearn.autolog()

Artifacts

MLmodel 內容

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

一起來練習吧！

MLflow 入門