Dodawanie parametrów do MLproject

Definiowanie parametrów w projektach MLflow pozwala uczynić kod uczenia maszynowego reprodukowalnym. Parametry upraszczają też uruchamianie eksperymentów treningowych z różnymi ustawieniami – bez konieczności modyfikowania kodu.

W tym ćwiczeniu dodasz parametry do pliku MLproject dla głównego punktu wejścia. Ten punkt wejścia służy do uruchamiania skryptu train_model.py, który trenuje model regresji logistycznej na danych ubezpieczeniowych.

Skrypt przyjmuje dwa parametry: n_jobs oraz fit_intercept – są to hiperparametry używane podczas trenowania modelu. Najpierw dodasz parametr n_jobs do pliku MLproject, następnie parametr fit_intercept, a na końcu przekażesz oba parametry do polecenia wykonywanego w głównym punkcie wejścia.

To ćwiczenie jest częścią kursu

Wprowadzenie do MLflow

Instrukcje do ćwiczenia

Utwórz parametr o nazwie n_jobs typu int z domyślną wartością 1.
Utwórz drugi parametr o nazwie fit_intercept typu bool z domyślną wartością True.
Przekaż oba parametry do polecenia, dbając o to, aby n_jobs był pierwszy, a po nim fit_intercept.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

"""
name: insurance_model
python_env: python_env.yaml
entry_points:
  main:
    parameters:
      # Create parameter for number of jobs as n_jobs
      ____:
        ____: ____
        ____: ____
      # Create parameter for fit_intercept
      ____:
        ____: ____
        ____: ____
    # Add parameters to be passed into 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

Bieżące ćwiczenie

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