Skapa ett flerstegarbetsflöde: Modellframtagning

MLflow Projects-modulen kan användas för att köra ett arbetsflöde med flera steg. Alla steg kan koordineras via ett enda Python-program som skickar resultat från tidigare steg vidare till nästa.

I den här övningen börjar du skapa ett flerstegarbetsflöde för att hantera stegen Modellframtagning och Modellutvärdering i ML-livscykeln. Du använder metoden run() från MLflow Projects-modulen för startpunkten model_engineering och anger parametrar som används som hyperparametrar vid modellträning. Du sparar även utdata från run_id i en variabel så att den kan skickas vidare till steget model_evaluation i arbetsflödet som en parameter.

MLproject som skapades i föregående steg finns tillgängligt i IPython Shell via print(MLproject). MLflow-modulen är importerad.

Den här övningen är en del av kursen

Introduktion till MLflow

Övningsinstruktioner

Tilldela metoden run() från MLflow Projects-modulen till en variabel med namnet model_engineering.
Sätt argumentet för startpunkten till "model_engineering".
Ange parametrar för modellträningen: "n_jobs" till 2 och "fit_intercept" till False.
Tilldela attributet run_id från model_engineering till en variabel med namnet model_engineering_run_id.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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)

Redigera och kör kod

Den här övningen är en del av kursen

Introduktion till MLflow

SkillTag.level.advancedSkillTag.label

4.8+

Starta kursen gratis

I det här kapitlet får du en introduktion till MLflow och hur det hjälper till att lösa en del av utmaningarna i maskininlärningens livscykel. Du introduceras till de fyra huvudkoncepten i MLflow, med fokus på MLflow Tracking. Du lär dig att skapa experiment och körningar samt hur du spårar mätvärden, parametrar och artefakter. Slutligen söker du i MLflow programmatiskt för att hitta experimentkörningar som uppfyller vissa kriterier.

Exercise 1: Vad är MLflow?Exercise 2: MLflows komponenter Exercise 3: MLflow-experiment Exercise 4: MLflow Tracking Exercise 5: Starta ett körningsförlopp Exercise 6: Logga ett körningsförsök Exercise 7: Hur hämtar man data från en aktiv körning?Exercise 8: Söka efter körningar Exercise 9: Sökalternativ för körningar Exercise 10: Söka efter körningar

I det här kapitlet får du en introduktion till MLflow Models. Komponenten MLflow Models spelar en central roll i stegen för modellutvärdering och modellkonstruktion i maskininlärningens livscykel. Du lär dig hur MLflow Models standardiserar paketering av ML-modeller samt hur du sparar, loggar och läser in dem. Du lär dig också att skapa anpassade MLflow Models för ökad flexibilitet i dina användningsfall, samt hur du utvärderar modellprestanda. Du utnyttjar det kraftfulla konceptet "Flavors" och använder slutligen MLflows kommandoradsverktyg för driftsättning av modeller.

Exercise 1: Introduktion till MLflow Models Exercise 2: Paketera en maskininlärningsmodell Exercise 3: Lagringsformat Exercise 4: Vad finns i en MLmodel-fil?Exercise 5: Modell-API Exercise 6: Spara och läsa in en modell Exercise 7: Logga och ladda en modell Exercise 8: Anpassade modeller Exercise 9: Skapa en anpassad Python-klass Exercise 10: Anpassad scikit-learn-modell Exercise 11: Scikit-learn-flavor och utvärdering Exercise 12: Modellserving Exercise 13: Driftsätta en modell Exercise 14: Hämta poäng från en servad modell

Det här kapitlet introducerar MLflow-konceptet Model Registry. Du får lära dig hur Model Registry används för att hantera livscykeln för ML-modeller. Du lär dig att skapa och söka efter modeller i Model Registry. Därefter lär du dig att registrera modeller i Model Registry och hur du flyttar modeller mellan fördefinierade stadier. Slutligen lär du dig också att driftsätta modeller från Model Registry.

Exercise 1: Introduktion till MLflow Model Registry Exercise 2: Skapa en modell Exercise 3: Söka efter modeller Exercise 4: Registrera modeller Exercise 5: Registrera befintliga modeller Exercise 6: Registrera nya modeller Exercise 7: Modellsteg Exercise 8: Modellstadier i Model Registry Exercise 9: Övergång mellan modellstadier Exercise 10: Modelldriftsättning Exercise 11: Driftsätta modeller från Model Registry Exercise 12: Ladda modeller från Model Registry

I det här kapitlet får du värdefulla kunskaper om hur du strukturerar din datavetenskapliga kod för återanvändbarhet och reproducerbarhet med hjälp av MLflow Projects. Kapitlet börjar med att introducera konceptet MLflow Projects och visar dig hur du skapar en MLproject-fil. Sedan lär du dig att köra MLflow Projects både via kommandoraden och via MLflow Projects-modulen, och du ser hur parametrar ger ökad flexibilitet i din kod. Slutligen lär du dig att hantera steg i maskininlärningens livscykel genom att skapa ett flerstegsarbetsflöde med MLflow Projects.

Exercise 1: Introduktion till MLflow Projects Exercise 2: Struktur för MLproject-filen Exercise 3: Skapa ett MLproject Exercise 4: Köra MLflow Projects Exercise 5: MLflow run-kommandot Exercise 6: MLflow projects-modulen Exercise 7: Ange parametrar Exercise 8: Lägga till parametrar i MLproject Exercise 9: Lägga till parametrar i projektkörningen Exercise 10: Arbetsflöden Exercise 11: Skapa ett MLproject för ML-livscykeln: modellbyggnad Exercise 12: Skapa ett MLproject för ML-livscykeln: Modellutvärdering Exercise 13: Skapa ett flerstegarbetsflöde: Modellframtagning

Aktuell övning

Exercise 14: Skapa ett flerstegsarbetsflöde: Modellutvärdering Exercise 15: Sammanfattning