Wie kann ich aktive Laufdaten abrufen?

MLflow nutzt das Konzept der Läufe, um Metriken, Parameter und Artefakte auf MLflow Tracking zu protokollieren. Mit der Funktion start_run() aus dem Modul mlflow startest du einen neuen Lauf und setzt ihn in einen aktiven Zustand. Dies ist hilfreich, wenn Informationen wie run_id oder artifact_uri abgerufen werden müssen.

Ein Lauf wurde mit folgendem Code auf aktiv gesetzt:

run = mlflow.start_run()

Wenn Informationen über den aktuellen Lauf benötigt werden, welches der folgenden Attribute wird verwendet, um Metadaten über einen aktiven Lauf abzurufen?

Diese Übung ist Teil des Kurses

Einführung in MLflow

Kurs anzeigen

Interaktive Übung

Setze die Theorie in einer unserer interaktiven Übungen in die Praxis um

Übung starten

Diese Übung ist Teil des Kurses

Einführung in MLflow

Hohe SchwierigkeitSchwierigkeitsgrad

4.8+

207 reviews

Kurs kostenlos starten

In diesem Kapitel lernst du den MLflow kennen und erfährst, wie er dir bei einigen Schwierigkeiten im Lebenszyklus des maschinellen Lernens helfen soll. Du wirst mit den vier Hauptkonzepten vertraut gemacht, die den MLflow ausmachen, wobei der Schwerpunkt auf MLflow Tracking liegt. Du lernst, wie du Experimente und Läufe erstellst und wie du Metriken, Parameter und Artefakte verfolgen kannst. Schließlich durchsuchst du den MLflow programmatisch, um Experimentdurchläufe zu finden, die bestimmten Kriterien entsprechen.

Exercise 1: Was ist MLflow?Exercise 2: Komponenten von MLflow Exercise 3: MLStrömungsexperimente Exercise 4: MLFlow Tracking Exercise 5: Einen Lauf starten Exercise 6: Einen Lauf protokollieren Exercise 7: Wie kann ich aktive Laufdaten abrufen?

Aktuelle Übung

Exercise 8: Läufe abfragen Exercise 9: Suchläufe Abfrageoptionen Exercise 10: Die Suche läuft

In diesem Kapitel wirst du in die MLStrömungsmodelle eingeführt. Die Komponente MLflow Models von MLflow spielt eine wichtige Rolle bei der Modellevaluation und der Modellentwicklung im Lebenszyklus des maschinellen Lernens. Du lernst, wie MLflow Models die Verpackung von ML Modellen standardisiert und wie du sie speichern, protokollieren und laden kannst. Du lernst, wie du benutzerdefinierte MLFlussmodelle erstellst, um deine Anwendungsfälle flexibler zu gestalten, und wie du die Leistung des Modells bewerten kannst. Du wirst das leistungsstarke Konzept der "Flavors" nutzen und schließlich das MLflow Kommandozeilentool für die Modellbereitstellung verwenden.

Exercise 1: Einführung in MLStrömungsmodelle Exercise 2: Ein Modell für maschinelles Lernen verpacken Exercise 3: Speicherformat Exercise 4: Was steht in einer MLModelldatei?Exercise 5: Modell API Exercise 6: Speichern und Laden eines Modells Exercise 7: Loggen und Laden eines Modells Exercise 8: Benutzerdefinierte Modelle Exercise 9: Erstellen einer benutzerdefinierten Python-Klasse Exercise 10: Benutzerdefiniertes Scikit-Learn-Modell Exercise 11: Scikit-learn Geschmack und Bewertung Exercise 12: Modell serviert Exercise 13: Einem Modell dienen Exercise 14: Ergebnis aus einem bedienten Modell

In diesem Kapitel wird das Konzept des MLFlusses vorgestellt, das als Model Registry bezeichnet wird. Du lernst, wie die Model Registry verwendet wird, um den Lebenszyklus von ML Modellen zu verwalten. Du lernst, wie du Modelle im Modellregister erstellst und nach ihnen suchst. Anschließend lernst du, wie du Modelle in der Model Registry registrierst und wie du Modelle zwischen vordefinierten Phasen übergehen kannst. Schließlich lernst du auch, wie du Modelle aus der Model Registry einsetzen kannst.

Exercise 1: Einführung in das MLflow Model Registry Exercise 2: Ein Modell erstellen Exercise 3: Modelle suchen Exercise 4: Modelle registrieren Exercise 5: Registrierung bestehender Modelle Exercise 6: Neue Modelle registrieren Exercise 7: Modellstufen Exercise 8: Modellstufen in der Modellregistratur Exercise 9: Stufen des Übergangsmodells Exercise 10: Modell-Einsatz Exercise 11: Modelle aus der Modellregistratur servieren Exercise 12: Laden von Modellen aus der Modellregistratur

In diesem Kapitel erfährst du, wie du deinen Data Science Code mit Hilfe von MLflow Projects wiederverwendbar und reproduzierbar machen kannst. Das Kapitel beginnt mit einer Einführung in das Konzept von MLflow Projects und führt dich durch die Erstellung einer MLProjektdatei. Danach lernst du, wie du MLflow Projects sowohl über die Kommandozeile als auch über das MLflow Projects Modul ausführst und entdeckst, wie du durch die Verwendung von Parametern deinen Code flexibler gestalten kannst. Schließlich lernst du, wie du die einzelnen Schritte im Lebenszyklus des maschinellen Lernens verwalten kannst, indem du mit MLflow Projects einen mehrstufigen Workflow erstellst.

Exercise 1: Einführung in MLflow Projekte Exercise 2: MLProjektdatei-Layout Exercise 3: Ein MLProjekt erstellen Exercise 4: Laufende MLflow Projekte Exercise 5: MLFlow-Run-Befehl Exercise 6: MLFlow Projekte Modul Exercise 7: Festlegen von Parametern Exercise 8: Hinzufügen von Parametern zum Projekt ML Exercise 9: Hinzufügen von Parametern zum Projektlauf Exercise 10: Workflows Exercise 11: Erstellen eines MLProjekts für den ML Lebenszyklus: Modellbau Exercise 12: Erstellen eines MLProjekts für den ML Lebenszyklus: Modellbewertung Exercise 13: Erstellen eines mehrstufigen Workflows: Modellbau Exercise 14: Erstellen eines mehrstufigen Workflows: Modellbewertung Exercise 15: Zusammenfassung