Commande d'exécution du MLflow

La commande MLflow run est une interface de ligne de commande permettant d'exécuter les projets MLflow. La commande run accepte des arguments pour le point d'entrée, le nom de l'expérience et URI contenant le MLproject qui décrit le projet.

Vous pouvez tester chaque commande run dans le Shell IPython en plaçant un ! au début de la commande.

Laquelle des commandes d'exécution suivantes est utilisée pour exécuter un projet MLflow dont le fichier MLproject se trouve dans le répertoire de travail actuel, qui utilise une expérience appelée "Insurance" et qui utilise un point d'entrée "main"?

Cet exercice fait partie du cours

Introduction à MLflow

Afficher le cours

Exercice interactif pratique

Passez de la théorie à la pratique avec l’un de nos exercices interactifs

Commencer l’exercice

Cet exercice fait partie du cours

Introduction à MLflow

AvancéNiveau de compétence

4.7+

381 reviews

Commencer le cours gratuitement

Dans ce chapitre, nous vous présenterons MLflow et la manière dont il vise à vous aider à résoudre certaines difficultés du cycle de vie de l'apprentissage automatique. Vous serez initié aux quatre principaux concepts qui composent MLflow, avec un accent particulier sur le cursus MLflow. Vous apprendrez à créer des expériences et des exécutions ainsi qu'à suivre les métriques, les paramètres et les artefacts. Enfin, vous effectuerez des recherches programmatiques dans MLflow pour trouver les expériences qui répondent à certains critères.

Exercise 1: Qu'est-ce que MLflow ?Exercise 2: Composants du MLflow Exercise 3: Expériences MLflow Exercise 4: Le cursus MLflow Exercise 5: Commencer une course Exercise 6: Enregistrement d'une exécution Exercise 7: Comment récupérer les données d'exécution actives ?Exercise 8: Interroger les exécutions Exercise 9: Options de recherche Exercise 10: Recherche de pistes

Ce chapitre vous présente les modèles MLflow. Le composant MLflow Models de MLflow joue un rôle essentiel dans les étapes d'évaluation et d'ingénierie des modèles du cycle de vie de l'apprentissage automatique. Vous apprendrez comment les modèles MLflow normalisent l'emballage des modèles ML et comment les sauvegarder, les enregistrer et les charger. Vous apprendrez à créer des modèles MLflow personnalisés pour apporter plus de flexibilité à vos cas d'utilisation ainsi qu'à évaluer la performance des modèles. Vous utiliserez le concept puissant de "Flavors" et enfin l'outil de ligne de commande MLflow pour le déploiement de modèles.

Exercise 1: Introduction aux modèles MLflow Exercise 2: Préparer un modèle d'apprentissage automatique Exercise 3: Format de stockage Exercise 4: Que contient un fichier MLmodel ?Exercise 5: Modèle API Exercise 6: Sauvegarde et chargement d'un modèle Exercise 7: Enregistrement et chargement d'un modèle Exercise 8: Modèles personnalisés Exercise 9: Créer une classe Python personnalisée Exercise 10: Modèle scikit-learn personnalisé Exercise 11: Saveur et évaluation de Scikit-learn Exercise 12: Modèle en service Exercise 13: Au service d'un modèle Exercise 14: Score d'un modèle servi

Ce chapitre présente le concept de MLflow appelé Model Registry. Vous découvrirez comment le registre des modèles est utilisé pour gérer le cycle de vie des modèles ML. Vous apprendrez à créer et à rechercher des modèles dans le registre des modèles. Vous apprenez ensuite à enregistrer des modèles dans le registre des modèles et à assurer la transition des modèles entre des étapes prédéfinies. Enfin, vous apprendrez également à déployer des modèles à partir du registre de modèles.

Exercise 1: Introduction au registre de modèles MLflow Exercise 2: Créer un modèle Exercise 3: Recherche de modèles Exercise 4: Enregistrement des modèles Exercise 5: Enregistrement de modèles existants Exercise 6: Enregistrement de nouveaux modèles Exercise 7: Étapes du modèle Exercise 8: Étapes du modèle dans le registre des modèles Exercise 9: Les étapes du modèle de transition Exercise 10: Déploiement du modèle Exercise 11: Servir des modèles à partir du registre des modèles Exercise 12: Chargement de modèles à partir du registre de modèles

Dans ce chapitre, vous allez acquérir des connaissances précieuses sur la façon de rationaliser votre code de science des données pour la réutilisation et la reproductibilité à l'aide de MLflow Projects. Ce chapitre commence par présenter le concept de projet MLflow et vous guide dans la création d'un fichier MLproject. Vous apprendrez ensuite à exécuter des projets MLflow en ligne de commande et dans le module MLflow Projects, tout en découvrant la puissance de l'utilisation des paramètres pour une plus grande flexibilité dans votre code. Enfin, vous apprendrez à gérer les étapes du cycle de vie de l'apprentissage automatique en créant un flux de travail multi-étapes à l'aide de MLflow Projects.

Exercise 1: Introduction aux projets MLflow Exercise 2: Disposition du fichier MLproject Exercise 3: Création d'un projet ML Exercise 4: Exécution des projets MLflow Exercise 5: Commande d'exécution du MLflow

Exercice en cours

Exercise 6: Module de projets MLflow Exercise 7: Spécification des paramètres Exercise 8: Ajout de paramètres au projet ML Exercise 9: Ajout de paramètres à l'exécution du projet Exercise 10: Flux de travail Exercise 11: Création d'un projet ML pour le cycle de vie ML: Ingénierie des modèles Exercise 12: Création d'un projet ML pour le cycle de vie ML: Évaluation du modèle Exercise 13: Création d'un flux de travail en plusieurs étapes : Ingénierie des modèles Exercise 14: Création d'un flux de travail en plusieurs étapes : Évaluation du modèle Exercise 15: Conclusion