Začněte nyníZačněte zdarma

Logování a načítání modelu

Model API nabízí způsob, jak pracovat s modely — umožňuje je přímo logovat a načítat z MLflow Tracking standardizovaným způsobem. Schopnost pracovat s modely je během ML lifecyclu klíčová, zejména ve fázích Model Engineering a Model Evaluation.

V tomto cvičení vytvoříš model lineární regrese ze scikit-learn pomocí datasetu Unicorn. Tento model bude zalogován do MLflow Tracking a následně načten pomocí run_id, které bylo použito k zalogování artefaktu.

Nejprve zaloguj model pomocí scikit-learn knihovny z MLflow modulu. Poté model načti z MLflow Tracking pomocí run_id.

Model bude natrénovaný a bude mít název lr_model.

lr_model = LinearRegression()
lr_model.fit(X_train, y_train)

Modul mlflow bude importován.

Toto cvičení je součástí kurzu

Úvod do MLflow

Zobrazit kurz

Pokyny k cvičení

  • Zaloguj model do MLflow Tracking pod artifact path "lr_tracking".
  • Vytvoř proměnnou run, která bude nastavena na poslední run.
  • Vytvoř další proměnnou run_id, která bude nastavena na run_id proměnné run.
  • Načti model pomocí run_id a artifact path použité k zalogování modelu.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Log model to MLflow Tracking
____.____.____(____, "____")

# Get the last run
run = ____.____

# Get the run_id of the above run
run_id = ____.___.____

# Load model from MLflow Tracking
model = ____.____.____(f"runs:/{____}/____")
Upravit a spustit kód