Ein Modell serven

Die Bereitstellung von Modellen ist ein weiterer wichtiger Schritt im ML-Lebenszyklus. Die MLflow-Kommandozeilenschnittstelle enthält einen Befehl zum Serven von Modellen. Modelle können mit MLflow vom lokalen Dateisystem, aus MLflow Tracking und von mehreren Cloud-Anbietern wie AWS S3 bereitgestellt werden.

Um ein Modell aus MLflow Tracking mithilfe seiner run_id zu serven: Welcher der folgenden Befehle wird verwendet, um das Modell bereitzustellen?

Diese Übung ist Teil des Kurses

<Kurs>Einführung in MLflow</Kurs>

Kurs ansehen

Interaktive praktische Übung

Verwandle Theorie mit einer unserer interaktiven Übungen in die Praxis

Übung starten

Diese Übung ist Teil des Kurses

<Kurs>Einführung in MLflow</Kurs>

Hohe SchwierigkeitSchwierigkeitsgrad

4.8+

741 reviews

Kurs kostenlos starten

In diesem Kapitel lernst du MLflow kennen und wie es bei typischen Herausforderungen im Machine-Learning-Lebenszyklus hilft. Du machst dich mit den vier Hauptkonzepten von MLflow vertraut, mit besonderem Fokus auf MLflow Tracking. Du lernst, Experimente und Runs zu erstellen sowie Metriken, Parameter und Artefakte zu tracken. Abschließend durchsuchst du MLflow programmatisch, um Experiment-Runs zu finden, die bestimmten Kriterien entsprechen.

Exercise 1: Was ist MLflow?Exercise 2: Komponenten von MLflow Exercise 3: MLflow-Experimente Exercise 4: MLflow Tracking Exercise 5: Einen Run starten Exercise 6: Einen Run protokollieren Exercise 7: Wie rufst du Daten des aktiven Runs ab?Exercise 8: Runs abfragen Exercise 9: Abfrageoptionen für Runs suchen Exercise 10: Runs durchsuchen

In diesem Kapitel lernst du MLflow-Modelle kennen. Die MLflow-Modelle-Komponente spielt eine zentrale Rolle in den Schritten Model Evaluation und Model Engineering des Machine-Learning-Lebenszyklus. Du erfährst, wie MLflow-Modelle die Verpackung von ML-Modellen standardisieren und wie du sie speicherst, protokollierst und lädst. Du lernst, eigene MLflow-Modelle zu erstellen, um deinen Use Cases mehr Flexibilität zu geben, und wie du die Modellleistung evaluierst. Du nutzt das leistungsfähige Konzept der „Flavors“ und setzt schließlich das MLflow-Kommandozeilen-Tool für das Model-Deployment ein.

Exercise 1: Einführung in MLflow-Modelle Exercise 2: Ein Machine-Learning-Modell paketieren Exercise 3: Speicherformat Exercise 4: Was steht in einer MLmodel-Datei?Exercise 5: Model-API Exercise 6: Ein Modell speichern und laden Exercise 7: Ein Modell protokollieren und laden Exercise 8: Eigene Modelle Exercise 9: Erstellen einer benutzerdefinierten Python-Klasse Exercise 10: Benutzerdefiniertes scikit-learn-Modell Exercise 11: Scikit-learn-Flavor und Evaluation Exercise 12: Modellbereitstellung Exercise 13: Ein Modell serven

Aktuelle Übung

Exercise 14: Score von einem bereitgestellten Modell abrufen

Dieses Kapitel führt das MLflow-Konzept der Model Registry ein. Du lernst, wie die Model Registry genutzt wird, um den Lebenszyklus von ML-Modellen zu verwalten. Du erfährst, wie du Modelle in der Model Registry erstellst und suchst. Anschließend lernst du, Modelle in der Model Registry zu registrieren und sie zwischen vordefinierten Stufen zu wechseln. Zum Schluss erfährst du auch, wie du Modelle aus der Model Registry bereitstellst.

Exercise 1: Einführung in das MLflow Model Registry Exercise 2: Ein Modell erstellen Exercise 3: Modelle durchsuchen Exercise 4: Modelle registrieren Exercise 5: Vorhandene Modelle registrieren Exercise 6: Neue Modelle registrieren Exercise 7: Modellstufen Exercise 8: Modellstufen in der Model Registry Exercise 9: Modelstufen wechseln Exercise 10: Modellbereitstellung Exercise 11: Modelle aus der Model Registry bereitstellen Exercise 12: Modelle aus dem Model Registry laden

In diesem Kapitel lernst du, wie du deinen Data-Science-Code mit MLflow-Projekten für Wiederverwendbarkeit und Reproduzierbarkeit schlanker gestaltest. Zunächst wird das Konzept der MLflow-Projekte vorgestellt und du erstellst eine MLproject-Datei. Danach lernst du, MLflow-Projekte sowohl über die Kommandozeile als auch über das MLflow-Projects-Modul auszuführen und entdeckst, wie Parameter zusätzliche Flexibilität in deinem Code ermöglichen. Abschließend erfährst du, wie du Schritte des Machine-Learning-Lebenszyklus verwaltest, indem du mit MLflow-Projekten einen mehrstufigen Workflow erstellst.

Exercise 1: Einführung in MLflow Projects Exercise 2: Aufbau einer MLproject-Datei Exercise 3: Ein MLproject erstellen Exercise 4: MLflow Projects ausführen Exercise 5: MLflow run command Exercise 6: Modul „MLflow projects“Exercise 7: Parameter angeben Exercise 8: Parameter zum MLproject hinzufügen Exercise 9: Parameter zum Projektdurchlauf hinzufügen Exercise 10: Workflows Exercise 11: Ein MLproject für den ML-Lebenszyklus erstellen: Model Engineering Exercise 12: Ein MLproject für den ML-Lebenszyklus erstellen: Modellauswertung Exercise 13: Einen mehrstufigen Workflow erstellen: Model Engineering Exercise 14: Einen mehrstufigen Workflow erstellen: Modellauswertung Exercise 15: Zusammenfassung