ПочатиПочніть безкоштовно

Логування та завантаження моделі

Model API надає спосіб взаємодіяти з моделями: логувати й завантажувати їх безпосередньо з MLflow Tracking у стандартизований спосіб. Уміння працювати з моделями критично важливе на етапах життєвого циклу ML, зокрема під час інженерії моделей і їх оцінювання.

У цій вправі ви створите модель лінійної регресії зі scikit-learn на наборі даних Unicorn. Цю модель буде залоговано в MLflow Tracking, а потім завантажено, використовуючи run_id, з яким було залоговано артефакт.

Спочатку ви залогуєте модель за допомогою бібліотеки scikit-learn з модуля MLflow. Потім завантажите модель із MLflow Tracking, використовуючи run_id.

Модель буде натреновано та вона матиме назву lr_model. 

lr_model = LinearRegression()
lr_model.fit(X_train, y_train)

Модуль mlflow вже імпортовано.

Ця вправа є частиною курсу

Вступ до MLflow

Переглянути курс

Інструкції до вправи

  • Залогіть модель у MLflow Tracking під шляхом артефактів "lr_tracking".
  • Створіть змінну run, у яку запишіть останній запуск.
  • Створіть іншу змінну run_id і встановіть у неї run_id змінної run.
  • Завантажте модель, використовуючи run_id і шлях артефактів, куди ви залогували модель.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Log model to MLflow Tracking
____.____.____(____, "____")

# Get the last run
run = ____.____

# Get the run_id of the above run
run_id = ____.___.____

# Load model from MLflow Tracking
model = ____.____.____(f"runs:/{____}/____")
Редагувати та запускати код