Tworzenie pliku MLproject dla cyklu życia modelu: inżynieria modelu

Plik MLproject może zawierać więcej niż jeden punkt wejścia. Oznacza to, że za pomocą jednego pliku MLproject możesz uruchamiać wiele punktów wejścia – a tym samym realizować wieloetapowy przepływ pracy w ramach jednego pliku.

W tym ćwiczeniu zbudujesz początkową wersję pliku MLproject zawierającego punkt wejścia model_engineering. Ten punkt wejścia uruchamia skrypt Pythona, który przyjmuje parametry używane jako wartości hiperparametrów fit_intercept i n_jobs dla modelu regresji logistycznej. Model ten służy do przewidywania płci osoby na podstawie zgłoszenia ubezpieczeniowego.

To ćwiczenie jest częścią kursu

Wprowadzenie do MLflow

Instrukcje do ćwiczenia

Utwórz punkt wejścia dla etapu inżynierii modelu w cyklu życia modelu uczenia maszynowego – nazwij go model_engineering.
Ustaw pierwszy parametr punktu wejścia na n_jobs, a drugi na fit_intercept.
Umieść parametry wewnątrz polecenia (command).

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

"""
name: insurance_model
python_env: python_env.yaml
entry_points:
  # Set the entry point
  ____:
    parameters: 
      # Set n_jobs 
      ____:
        type: int
        default: 1
      # Set fit_intercept
      ____:
        type: bool
        default: True
    # Pass the parameters to the command
    command: "python3.9 train_model.py {____} {____}"
"""

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 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

Bieżące ćwiczenie

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