Сервінг моделі

Розгортання моделі — ще один важливий крок життєвого циклу ML. Інтерфейс командного рядка MLflow містить команду для сервінгу моделей. Моделі можна розгортати за допомогою MLflow з локальної файлової системи, з MLflow Tracking і з кількох хмарних провайдерів, зокрема AWS S3.

Щоб розгорнути модель з MLflow Tracking за її run_id, яку з наведених нижче команд слід використати, щоб подати модель у сервінг?

Ця вправа є частиною курсу

Вступ до MLflow

Переглянути курс

Практична інтерактивна вправа

Перетворіть теорію на практику за допомогою однієї з наших інтерактивних вправ

Почати вправу

Ця вправа є частиною курсу

Вступ до MLflow

SkillTag.level.advancedSkillTag.label

4.8+

Почніть курс безкоштовно

У цьому розділі ви познайомитеся з MLflow і з тим, як він допомагає долати окремі труднощі життєвого циклу машинного навчання. Ви дізнаєтеся про чотири основні компоненти MLflow з головним акцентом на MLflow Tracking. Ви навчитеся створювати експерименти та прогони, а також відстежувати метрики, параметри й артефакти. Нарешті, ви виконуватимете програмний пошук у MLflow, щоб знаходити прогони експериментів за заданими критеріями.

Exercise 1: Що таке MLflow?Exercise 2: Компоненти MLflow Exercise 3: Експерименти MLflow Exercise 4: MLflow Tracking Exercise 5: Запуск прогону Exercise 6: Логування виконання Exercise 7: Як отримати дані активного запуску?Exercise 8: Запити до запусків Exercise 9: Параметри запиту для пошуку запусків Exercise 10: Пошук запусків

У цьому розділі ви познайомитеся з MLflow Models. Компонент MLflow Models відіграє ключову роль на етапах оцінювання моделей і інженерії моделей у життєвому циклі машинного навчання. Ви дізнаєтеся, як MLflow Models стандартизує пакування ML-моделей, а також як їх зберігати, логувати та завантажувати. Ви навчитеся створювати власні MLflow Models для більшої гнучкості у ваших сценаріях, а також оцінювати якість моделей. Ви застосуєте потужну концепцію «Flavors» і врешті скористаєтеся інструментом командного рядка MLflow для розгортання моделей.

Exercise 1: Вступ до MLflow Models Exercise 2: Запакуйте модель машинного навчання Exercise 3: Формат зберігання Exercise 4: Що містить файл MLmodel?Exercise 5: API моделей Exercise 6: Збереження та завантаження моделі Exercise 7: Логування та завантаження моделі Exercise 8: Користувацькі моделі Exercise 9: Створення власного класу Python Exercise 10: Кастомна модель scikit-learn Exercise 11: Смак scikit-learn і оцінювання Exercise 12: Розгортання моделі Exercise 13: Сервінг моделі

Поточна вправа

Exercise 14: Оцінка від розгорнутої моделі

Цей розділ знайомить з концепцією MLflow під назвою Model Registry. Ви дізнаєтеся, як Model Registry використовують для керування життєвим циклом ML-моделей. Ви навчитеся створювати моделі в Model Registry і шукати їх. Потім ви дізнаєтеся, як реєструвати моделі в Model Registry і переводити їх між наперед визначеними стадіями. Нарешті, ви також навчитеся розгортати моделі безпосередньо з Model Registry.

Exercise 1: Вступ до MLflow Model Registry Exercise 2: Створення моделі Exercise 3: Пошук моделей Exercise 4: Реєстрація моделей Exercise 5: Реєстрація наявних моделей Exercise 6: Реєстрація нових моделей Exercise 7: Стани моделей Exercise 8: Стани моделей у Model Registry Exercise 9: Переведення моделей між стадіями Exercise 10: Розгортання моделі Exercise 11: Обслуговування моделей з Model Registry Exercise 12: Завантаження моделей з Model Registry

У цьому розділі ви дізнаєтеся, як упорядкувати свій код data science для повторного використання та відтворюваності за допомогою MLflow Projects. Спочатку ми розглянемо поняття MLflow Projects і крок за кроком створимо файл MLproject. Далі ви навчитеся запускати MLflow Projects як через командний рядок, так і через модуль MLflow Projects, а також побачите переваги параметрів для більшої гнучкості коду. Наприкінці ви опануєте, як керувати етапами життєвого циклу машинного навчання, створивши багатокроковий робочий процес на базі MLflow Projects.

Exercise 1: Вступ до MLflow Projects Exercise 2: Структура файла MLproject Exercise 3: Створення MLproject Exercise 4: Запуск MLflow Projects Exercise 5: Команда mlflow run Exercise 6: Модуль MLflow projects Exercise 7: Задання параметрів Exercise 8: Додавання параметрів до MLproject Exercise 9: Додавання параметрів до запуску проєкту Exercise 10: Робочі процеси Exercise 11: Створення MLproject для життєвого циклу ML: інженерія моделі Exercise 12: Створення MLproject для життєвого циклу ML: оцінювання моделі Exercise 13: Створення багатокрокового робочого процесу: інженерія моделі Exercise 14: Створення багатокрокового робочого процесу: оцінювання моделі Exercise 15: Підсумок