Zapisywanie i wczytywanie modelu

Dzięki Model API modele można udostępniać między deweloperami, którzy mogą nie mieć dostępu do tego samego serwera MLflow Tracking – wystarczy skorzystać z lokalnego systemu plików.

W tym ćwiczeniu wytrenujesz nowy model LinearRegression na podstawie istniejącego, używając zbioru danych Unicorn. Najpierw wczytasz istniejący model z lokalnego systemu plików. Następnie wytrenujesz nowy model na jego podstawie i zapiszesz go z powrotem w lokalnym systemie plików.

Istniejący model został zapisany w lokalnym systemie plików w katalogu o nazwie "lr_local_v1". Moduł mlflow zostanie zaimportowany.

To ćwiczenie jest częścią kursu

Wprowadzenie do MLflow

Instrukcje do ćwiczenia

Wczytaj model z katalogu "lr_local_v1" w lokalnym systemie plików, używając biblioteki scikit-learn z modułu MLflow.
Korzystając z biblioteki scikit-learn z modułu mlflow, zapisz model lokalnie w katalogu o nazwie "lr_local_v2".

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Load model from local filesystem
model = ____.____.____("____")

# Training Data
X = df[["R&D Spend", "Administration", "Marketing Spend", "State"]]
y = df[["Profit"]]
X_train, X_test, y_train, y_test = train_test_split(X, y, train_size=0.7,random_state=0)
# Train Model
model.fit(X_train, y_train)

# Save model to local filesystem
____.____.____(____, "____")

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Wprowadzenie do MLflow

SkillTag.level.advancedSkillTag.label

4.8+

Rozpocznij kurs za darmo

W tym rozdziale poznasz MLflow i dowiesz się, jak pomaga rozwiązywać typowe trudności związane z cyklem życia modeli uczenia maszynowego. Zapoznasz się z czterema głównymi koncepcjami składającymi się na MLflow, ze szczególnym naciskiem na MLflow Tracking. Nauczysz się tworzyć eksperymenty i uruchomienia, a także śledzić metryki, parametry i artefakty. Na koniec nauczysz się programowo przeszukiwać MLflow w celu znajdowania uruchomień eksperymentów spełniających określone kryteria.

Exercise 1: Czym jest MLflow?Exercise 2: Komponenty MLflow Exercise 3: Eksperymenty w MLflow Exercise 4: MLflow Tracking Exercise 5: Uruchamianie przebiegu Exercise 6: Rejestrowanie przebiegu Exercise 7: Jak pobrać dane aktywnego uruchomienia?Exercise 8: Wyszukiwanie przebiegów Exercise 9: Opcje zapytań do przebiegów Exercise 10: Wyszukiwanie przebiegów

W tym rozdziale poznasz modele MLflow. Komponent MLflow Models odgrywa kluczową rolę w etapach oceny i inżynierii modeli w cyklu życia uczenia maszynowego. Dowiesz się, jak MLflow Models standaryzuje pakowanie modeli ML oraz jak je zapisywać, rejestrować i wczytywać. Nauczysz się tworzyć własne modele MLflow, aby uzyskać większą elastyczność w swoich projektach, a także jak oceniać wydajność modeli. Skorzystasz z potężnej koncepcji „Flavors" i na koniec użyjesz narzędzia wiersza poleceń MLflow do wdrożenia modelu.

Exercise 1: Wprowadzenie do MLflow Models Exercise 2: Pakowanie modelu uczenia maszynowego Exercise 3: Format przechowywania Exercise 4: Co zawiera plik MLmodel?Exercise 5: Model API Exercise 6: Zapisywanie i wczytywanie modelu

Bieżące ćwiczenie

Exercise 7: Rejestrowanie i ładowanie modelu Exercise 8: Modele niestandardowe Exercise 9: Tworzenie niestandardowej klasy Pythona Exercise 10: Niestandardowy model scikit-learn Exercise 11: Smak scikit-learn i ewaluacja modelu Exercise 12: Serwowanie modeli Exercise 13: Serwowanie modelu Exercise 14: Pobieranie wyniku z obsługiwanego modelu

Ten rozdział wprowadza koncepcję rejestru modeli MLflow (Model Registry). Dowiesz się, jak rejestr modeli służy do zarządzania cyklem życia modeli ML. Nauczysz się tworzyć modele w rejestrze i wyszukiwać je. Następnie poznasz sposób rejestrowania modeli oraz przenoszenia ich między predefiniowanymi etapami. Na koniec dowiesz się również, jak wdrażać modele z rejestru modeli.

Exercise 1: Wprowadzenie do MLflow Model Registry Exercise 2: Tworzenie modelu Exercise 3: Wyszukiwanie modeli Exercise 4: Rejestrowanie modeli Exercise 5: Rejestrowanie istniejących modeli Exercise 6: Rejestrowanie nowych modeli Exercise 7: Etapy modelu Exercise 8: Etapy modeli w Rejestrze Modeli Exercise 9: Przechodzenie między etapami modelu Exercise 10: Wdrażanie modelu Exercise 11: Serwowanie modeli z Model Registry Exercise 12: Wczytywanie modeli z Model Registry

W tym rozdziale zdobędziesz praktyczną wiedzę na temat tego, jak usprawnić kod do analizy danych pod kątem wielokrotnego użytku i odtwarzalności, korzystając z projektów MLflow. Rozdział zaczyna się od omówienia koncepcji MLflow Projects i przeprowadzi cię przez proces tworzenia pliku MLproject. Następnie dowiesz się, jak uruchamiać projekty MLflow zarówno z poziomu wiersza poleceń, jak i modułu MLflow Projects, a także odkryjesz możliwości, jakie daje stosowanie parametrów. Na koniec nauczysz się zarządzać etapami cyklu życia modelu, tworząc wieloetapowy przepływ pracy z użyciem MLflow Projects.

Exercise 1: Wprowadzenie do MLflow Projects Exercise 2: Struktura pliku MLproject Exercise 3: Tworzenie pliku MLproject Exercise 4: Uruchamianie projektów MLflow Exercise 5: Polecenie mlflow run Exercise 6: Moduł mlflow projects Exercise 7: Określanie parametrów Exercise 8: Dodawanie parametrów do MLproject Exercise 9: Dodawanie parametrów do uruchomienia projektu Exercise 10: Przepływy pracy Exercise 11: Tworzenie pliku MLproject dla cyklu życia modelu: inżynieria modelu Exercise 12: Tworzenie pliku MLproject dla cyklu życia ML: Ocena modelu Exercise 13: Tworzenie wieloetapowego przepływu pracy: inżynieria modelu Exercise 14: Tworzenie wieloetapowego przepływu pracy: ocena modelu Exercise 15: Podsumowanie