Como recuperar dados de execução ativos?

MLO fluxo usa o conceito de execuções para registrar métricas, parâmetros e artefatos para MLo programa de fluxo. O uso da função start_run() do módulo mlflow inicia uma nova execução e a coloca em um estado ativo. Isso é útil se você precisar recuperar informações como run_id ou artifact_uri.

Uma execução foi definida como ativa usando o seguinte código:

run = mlflow.start_run()

Se você precisar de informações sobre a execução atual, qual dos seguintes atributos é usado para recuperar metadados sobre uma execução ativa?

Este exercício faz parte do curso

Introdução ao fluxo ML

Ver Curso

Exercício interativo prático

Transforme a teoria em ação com um de nossos exercícios interativos

Comece o exercício

Este exercício faz parte do curso

Introdução ao fluxo ML

AvançadoNível de habilidade

4.7+

121 reviews

Iniciar curso gratuitamente

Neste capítulo, você será apresentado ao fluxo MLe como ele visa a ajudar em algumas dificuldades do ciclo de vida do machine learning. Você será apresentado aos quatro principais conceitos que compõem o fluxo MLcom foco principal no programa ML. Você aprenderá a criar experimentos e execuções, bem como a rastrear métricas, parâmetros e artefatos. Por fim, você pesquisará o fluxo MLprogramaticamente para encontrar execuções de experimentos que atendam a determinados critérios.

Exercise 1: O que é o fluxo ML?Exercise 2: Componentes do fluxo ML Exercise 3: MLexperimentos de fluxo Exercise 4: MLPrograma de fluxo Exercise 5: Iniciando uma corrida Exercise 6: Registro de uma execução Exercise 7: Como recuperar dados de execução ativos?

Exercício atual

Exercise 8: Consulta de execuções Exercise 9: Opções de consulta de execuções de pesquisa Exercise 10: Buscando execuções

Neste capítulo, você conhecerá os modelos de fluxo do ML. O componente MLflow Models do MLflow desempenha uma função essencial nas etapas de avaliação de modelos e engenharia de modelos do ciclo de vida do machine learning. Você aprenderá como o MLflow Models padroniza o empacotamento dos modelos do ML e também como salvá-los, registrá-los e carregá-los. Você aprenderá a criar modelos de fluxo MLpersonalizados para oferecer mais flexibilidade aos seus casos de uso e a avaliar o desempenho do modelo. Você utilizará o avançado conceito de "Flavors" e, por fim, usará a ferramenta de linha de comando MLflow para a implantação de modelos.

Exercise 1: Introdução aos modelos de fluxo ML Exercise 2: Empacote um modelo de machine learning Exercise 3: Formato de armazenamento Exercise 4: O que há em um arquivo de modelo ML?Exercise 5: Modelo API Exercise 6: Salvando e carregando um modelo Exercise 7: Registro e carregamento de um modelo Exercise 8: Modelos personalizados Exercise 9: Criando uma classe Python personalizada Exercise 10: Modelo personalizado do scikit-learn Exercise 11: Avaliação e sabor do Scikit-learn Exercise 12: Serviço de modelo Exercise 13: Servindo um modelo Exercise 14: Pontuação de um modelo atendido

Este capítulo apresenta o conceito do fluxo MLchamado Registro de Modelos. Você será apresentado a como o Model Registry é usado para gerenciar o ciclo de vida dos modelos do ML. Você aprenderá a criar e pesquisar modelos no Model Registry. Em seguida, você aprenderá a registrar modelos no Model Registry e a fazer a transição de modelos entre estágios predefinidos. Por fim, você também aprenderá a implantar modelos a partir do Model Registry.

Exercise 1: Introdução ao MLflow Model Registry Exercise 2: Criar um modelo Exercise 3: Pesquisa de modelos Exercise 4: Registro de modelos Exercise 5: Registro de modelos existentes Exercise 6: Registro de novos modelos Exercise 7: Estágios do modelo Exercise 8: Estágios do modelo no Registro de Modelos Exercise 9: Transição de estágios do modelo Exercise 10: Implementação do modelo Exercise 11: Servindo modelos do Model Registry Exercise 12: Carregando modelos do Model Registry

Neste capítulo, você obterá conhecimentos valiosos sobre como otimizar seu código de ciência de dados para reutilização e reprodutibilidade usando o MLflow Projects. O capítulo começa introduzindo o conceito de projetos de fluxo MLe orientando você na criação de um arquivo de projeto ML. A partir daí, você aprenderá a executar o MLflow Projects por meio da linha de comando e do módulo MLflow Projects e, ao mesmo tempo, descobrirá o poder do uso de parâmetros para aumentar a flexibilidade do seu código. Por fim, você aprenderá a gerenciar as etapas do ciclo de vida do machine learning criando um fluxo de trabalho de várias etapas usando o MLflow Projects.

Exercise 1: Introdução aos projetos de fluxo ML Exercise 2: MLlayout do arquivo de projeto Exercise 3: Criando um projeto ML Exercise 4: Executando projetos de fluxo ML Exercise 5: MLcomando de execução de fluxo Exercise 6: MLmódulo de projetos de fluxo Exercise 7: Especificação de parâmetros Exercise 8: Adicionando parâmetros ao projeto ML Exercise 9: Adição de parâmetros à execução do projeto Exercise 10: Fluxos de trabalho Exercise 11: Criando um projeto MLpara o ciclo de vida ML: Engenharia de modelos Exercise 12: Criando um projeto MLpara o ciclo de vida ML: Avaliação do modelo Exercise 13: Criação de um fluxo de trabalho em várias etapas: Engenharia de modelos Exercise 14: Criação de um fluxo de trabalho em várias etapas: Avaliação do modelo Exercise 15: Resumo