Tworzenie wieloetapowego przepływu pracy: inżynieria modelu

Moduł MLflow Projects można wykorzystać do uruchamiania wieloetapowego przepływu pracy. Wszystkie etapy można koordynować za pomocą jednego programu w Pythonie, który przekazuje wyniki poprzednich kroków do kolejnych.

W tym ćwiczeniu zaczniesz tworzyć wieloetapowy przepływ pracy, który obsługuje etapy inżynierii modelu i ewaluacji modelu w cyklu życia uczenia maszynowego. Użyjesz metody run() z modułu MLflow Projects dla punktu wejścia model_engineering i przekażesz parametry służące jako hiperparametry podczas trenowania modelu. Przechwycisz również wartość run_id i przypiszesz ją do zmiennej, aby można było przekazać ją jako parametr do etapu model_evaluation przepływu pracy.

Plik MLproject utworzony w poprzednim kroku jest dostępny w powłoce IPython za pomocą print(MLproject). Moduł MLflow jest zaimportowany.

To ćwiczenie jest częścią kursu

Wprowadzenie do MLflow

Instrukcje do ćwiczenia

Przypisz metodę run() z modułu MLflow Projects do zmiennej o nazwie model_engineering.
Ustaw argument punktu wejścia na "model_engineering".
Ustaw parametry trenowania modelu: "n_jobs" na 2 i "fit_intercept" na False.
Przypisz atrybut run_id obiektu model_engineering do zmiennej o nazwie model_engineering_run_id.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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)

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 Exercise 12: Tworzenie pliku MLproject dla cyklu życia ML: Ocena modelu Exercise 13: Tworzenie wieloetapowego przepływu pracy: inżynieria modelu

Bieżące ćwiczenie

Exercise 14: Tworzenie wieloetapowego przepływu pracy: ocena modelu Exercise 15: Podsumowanie