Lägga till parametrar i MLproject

Att definiera parametrar i MLflow Projects gör din maskininlärningskod reproducerbar. Parametrar förenklar också körningen av träningsexperiment med olika inställningar – utan att du behöver ändra koden.

I den här övningen ska du lägga till parametrar i din MLproject-fil för huvud-entry-pointen. Den här entry pointen används för att köra skriptet train_model.py, som tränar en logistisk regressionsmodell på försäkringsdata.

Skriptet tar emot två parametrar, n_jobs och fit_intercept, som är hyperparametrar för modellträningen. Du börjar med att lägga till parametern n_jobs i MLproject-filen, lägger sedan till parametern fit_intercept och avslutar med att skicka båda parametrarna till kommandot som körs i huvud-entry-pointen.

Den här övningen är en del av kursen

Introduktion till MLflow

Övningsinstruktioner

Skapa en parameter med namnet n_jobs av typen int och standardvärdet 1.
Skapa en andra parameter med namnet fit_intercept av typen bool med standardvärdet True.
Skicka båda parametrarna till kommandot så att n_jobs kommer först, följt av fit_intercept.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

"""
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 {____} {____}"
"""

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

Aktuell övning

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