mlflow
Track ML experiments, manage model registry with versioning, deploy models to production, and reproduce experiments with MLflow - framework-agnostic ML lifecycle platform
Installation
Pick a client and clone the repository into its skills directory.
Installation
About this skill
Track ML experiments, manage model registry with versioning, deploy models to production, and reproduce experiments with MLflow - framework-agnostic ML lifecycle platform
How to use
Zainstaluj MLflow za pomocą pip install mlflow. Jeśli potrzebujesz dodatkowych funkcji, uruchom pip install mlflow[extras], aby zainstalować zależności takie jak SQLAlchemy i boto3.
Uruchom interfejs webowy MLflow poleceniem mlflow ui. Otwórz przeglądarkę i przejdź na http://localhost:5000, aby zobaczyć panel do śledzenia eksperymentów.
W swoim skrypcie Pythona zaimportuj mlflow i otwórz nowy run za pomocą with mlflow.start_run(). Wewnątrz tego bloku loguj parametry treningowe za pomocą mlflow.log_param(), na przykład learning_rate czy batch_size.
Po treningu modelu zaloguj metryki wydajności, takie jak loss czy accuracy, używając mlflow.log_metric(). Następnie zapisz sam model za pomocą mlflow.sklearn.log_model() lub odpowiedniej funkcji dla twojego frameworka.
Aby przyspieszyć proces, włącz autologging poleceniem mlflow.autolog() przed treningiem. MLflow automatycznie zarejestruje parametry i metryki bez dodatkowego kodu.
Przejdź do interfejsu webowego, aby porównać wyniki różnych eksperymentów, zarządzać wersjami modeli w rejestrze i przygotować modele do wdrożenia na produkcję.