शुरू करेंमुफ़्त में शुरू करें

मल्टी-स्टेप वर्कफ़्लो बनाना: Model Engineering

MLflow Projects मॉड्यूल का उपयोग मल्टी-स्टेप वर्कफ़्लो चलाने के लिए किया जा सकता है. सभी स्टेप्स को एक ही Python प्रोग्राम से समन्वित किया जा सकता है, जो पिछले स्टेप्स के परिणाम अगले स्टेप्स को पास करता है.

इस अभ्यास में, आप ML लाइफसाइकल के Model Engineering और Model Evaluation चरणों को मैनेज करने के लिए एक मल्टी-स्टेप वर्कफ़्लो बनाना शुरू करेंगे. आप MLflow Projects मॉड्यूल के run() मेथड का उपयोग model_engineering एंट्री पॉइंट के लिए करेंगे और मॉडल ट्रेनिंग के लिए हाइपरपैरामीटर के रूप में उपयोग होने वाले पैरामीटर पास करेंगे. आप run_id का आउटपुट भी कैप्चर करेंगे और उसे एक वैरिएबल में सेट करेंगे ताकि उसे वर्कफ़्लो के model_evaluation स्टेप में पैरामीटर के रूप में पास किया जा सके.

पिछले स्टेप में बनाया गया MLproject IPython Shell में print(MLproject) के ज़रिए उपलब्ध है. MLflow मॉड्यूल इम्पोर्ट किया गया है.

यह अभ्यास पाठ्यक्रम का हिस्सा है

MLflow परिचय

पाठ्यक्रम देखें

अभ्यास निर्देश

  • MLflow Projects मॉड्यूल के run() मेथड को model_engineering नाम के वैरिएबल में असाइन करें.
  • एंट्री पॉइंट आर्ग्युमेंट को "model_engineering" पर सेट करें.
  • मॉडल ट्रेनिंग के लिए पैरामीटर सेट करें: "n_jobs" को 2 और "fit_intercept" को False करें.
  • model_engineering के run_id एट्रिब्यूट को model_engineering_run_id नाम के वैरिएबल में सेट करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Set run method to model_engineering
____ = ____.____.____(
    uri='./',
    # Set entry point to model_engineering
    ____='____',
    experiment_name='Insurance',
    # Set the parameters for n_jobs and fit_intercept
    parameters={
        '____': ____, 
        '____': ____
    },
    env_manager='local'
)

# Set Run ID of model training to be passed to Model Evaluation step
____ = ____.____
print(model_engineering_run_id)
कोड संपादित करें और चलाएँ