¿Cómo recuperar los datos de ejecución activos?

MLflow utiliza el concepto de ejecuciones para registrar métricas, parámetros y artefactos en MLflow Tracking. Utilizando la función start_run() del módulo mlflow se inicia una nueva ejecución y se pone en estado activo. Esto es útil si hay que recuperar información como run_id o artifact_uri.

Se ha activado una tirada utilizando el siguiente código:

run = mlflow.start_run()

Si se necesita información sobre la ejecución actual, ¿cuál de los siguientes atributos se utiliza para recuperar metadatos sobre una ejecución activa?

Este ejercicio forma parte del curso

Introducción a MLflow

Ver curso

Ejercicio interactivo práctico

Convierte la teoría en acción con uno de nuestros ejercicios interactivos

Empieza a hacer ejercicio

Este ejercicio forma parte del curso

Introducción a MLflow

AvanzadoNivel de habilidad

4.7+

159 reviews

Comienza el curso gratis

En este Capítulo, se te presentará MLflow y cómo pretende ayudarte con algunas dificultades del ciclo de vida del Aprendizaje Automático. Se te presentarán los cuatro conceptos principales que componen MLflow, centrándose principalmente en el Seguimiento de MLflow. Aprenderás a crear experimentos y ejecuciones, así como a realizar un seguimiento de las métricas, los parámetros y los artefactos. Por último, buscarás en MLflow mediante programación para encontrar ejecuciones de experimentos que se ajusten a determinados criterios.

Exercise 1: ¿Qué es MLflow?Exercise 2: Componentes de MLflow Exercise 3: Experimentos MLflow Exercise 4: Seguimiento MLflow Exercise 5: Iniciar una carrera Exercise 6: Registrar una ejecución Exercise 7: ¿Cómo recuperar los datos de ejecución activos?

Ejercicio actual

Exercise 8: Consulta de ejecuciones Exercise 9: Buscar ejecuta opciones de consulta Exercise 10: Recorridos de búsqueda

En este capítulo se te presentarán los Modelos MLflow. El componente MLflow Models de MLflow desempeña un papel esencial en los pasos de Evaluación de Modelos e Ingeniería de Modelos del ciclo de vida del Aprendizaje Automático. Aprenderás cómo los Modelos MLflow estandarizan el empaquetado de los modelos ML, así como a guardarlos, registrarlos y cargarlos. Aprenderás a crear Modelos MLflow personalizados para dar más flexibilidad a tus casos de uso, así como a evaluar el rendimiento de los modelos. Utilizarás el potente concepto de "Sabores" y, por último, utilizarás la herramienta de línea de comandos MLflow para el despliegue de modelos.

Exercise 1: Introducción a los modelos MLflow Exercise 2: Empaquetar un modelo de aprendizaje automático Exercise 3: Formato de almacenamiento Exercise 4: ¿Qué contiene un archivo MLmodel?Exercise 5: Modelo API Exercise 6: Guardar y cargar un modelo Exercise 7: Registrar y cargar un modelo Exercise 8: Modelos a medida Exercise 9: Crear una clase Python personalizada Exercise 10: Modelo scikit-learn personalizado Exercise 11: Sabor y evaluación de Scikit-learn Exercise 12: Modelo que sirve Exercise 13: Sirviendo a un modelo Exercise 14: Puntuación de un modelo servido

Este Capítulo introduce el concepto de MLflow denominado Registro de Modelos. Conocerás cómo se utiliza el Registro de Modelos para gestionar el ciclo de vida de los modelos de ML. Aprenderás a crear y buscar modelos en el Registro de Modelos. A continuación, aprenderás a registrar modelos en el Registro de Modelos y a realizar transiciones de modelos entre etapas predefinidas. Por último, también aprenderás a desplegar modelos desde el Registro de Modelos.

Exercise 1: Introducción al Registro de Modelos MLflow Exercise 2: Crear un modelo Exercise 3: Búsqueda de modelos Exercise 4: Registro de modelos Exercise 5: Registrar modelos existentes Exercise 6: Registrar nuevos modelos Exercise 7: Etapas del modelo Exercise 8: Etapas del modelo en el Registro de Modelos Exercise 9: Etapas del modelo de transición Exercise 10: Implementación de modelos Exercise 11: Servir modelos del Registro de Modelos Exercise 12: Cargar modelos desde el Registro de Modelos

En este capítulo, obtendrás valiosos conocimientos sobre cómo racionalizar tu código de ciencia de datos para que sea reutilizable y reproducible utilizando Proyectos MLflow. El capítulo comienza introduciendo el concepto de Proyectos MLflow y te guía a través de la creación de un archivo MLproject. A partir de ahí, aprenderás a ejecutar Proyectos MLflow tanto a través de la línea de comandos como del módulo Proyectos MLflow, a la vez que descubres el poder de utilizar parámetros para añadir flexibilidad a tu código. Por último, aprenderás a gestionar los pasos del ciclo de vida del aprendizaje automático creando un flujo de trabajo de varios pasos mediante Proyectos MLflow.

Exercise 1: Introducción a los proyectos MLflow Exercise 2: Disposición del archivo MLproject Exercise 3: Crear un proyecto ML Exercise 4: Ejecutar proyectos MLflow Exercise 5: Comando de ejecución MLflow Exercise 6: Módulo de proyectos MLflow Exercise 7: Especificación de parámetros Exercise 8: Añadir parámetros a MLproject Exercise 9: Añadir parámetros a la ejecución del proyecto Exercise 10: Flujos de trabajo Exercise 11: Crear un proyecto ML para el ciclo de vida ML: Ingeniería de modelos Exercise 12: Crear un proyecto ML para el ciclo de vida ML: Evaluación del modelo Exercise 13: Crear un flujo de trabajo de varios pasos: Ingeniería de modelos Exercise 14: Crear un flujo de trabajo de varios pasos: Evaluación del modelo Exercise 15: Resumen