เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การสร้าง Multi-Step Workflow: Model Engineering

โมดูล MLflow Projects สามารถนำมาใช้รัน multi-step workflow ได้ โดยแต่ละขั้นตอนสามารถประสานงานกันผ่านโปรแกรม Python เดียว ซึ่งส่งผลลัพธ์จากขั้นตอนก่อนหน้าไปยังขั้นตอนถัดไป

ในแบบฝึกหัดนี้ คุณจะเริ่มสร้าง multi-step workflow เพื่อจัดการขั้นตอน Model Engineering และ Model Evaluation ของ ML lifecycle โดยจะใช้เมธอด run() จากโมดูล MLflow Projects สำหรับ entry point ชื่อ model_engineering พร้อมส่งพารามิเตอร์ที่ใช้เป็น hyperparameter ในการเทรนโมเดล นอกจากนี้ ยังต้องเก็บค่าผลลัพธ์ของ run_id ไว้ในตัวแปร เพื่อนำไปส่งต่อให้ขั้นตอน model_evaluation ในฐานะพารามิเตอร์

MLproject ที่สร้างในขั้นตอนก่อนหน้าสามารถดูได้ใน IPython Shell โดยใช้ print(MLproject) และได้นำเข้าโมดูล MLflow ไว้แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

MLflow เบื้องต้น

ดูคอร์ส

คำแนะนำการฝึกหัด

  • กำหนดเมธอด run() จากโมดูล MLflow Projects ให้กับตัวแปรชื่อ model_engineering
  • ตั้งค่าอาร์กิวเมนต์ entry point เป็น "model_engineering"
  • ตั้งค่าพารามิเตอร์สำหรับเทรนโมเดล โดยกำหนด "n_jobs" เป็น 2 และ "fit_intercept" เป็น False
  • กำหนดแอตทริบิวต์ run_id ของ model_engineering ให้กับตัวแปรชื่อ model_engineering_run_id

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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)
แก้ไขและรันโค้ด