Đăng ký mô hình
Bước cuối cùng là đăng ký và ghi log mô hình đã fit bằng MLflow. Cách này giúp bạn theo dõi và tạo phiên bản (version) cho mô hình khi đưa vào sản xuất.
Các gói datetime, mlflow, mlforecast.flavor và mô hình mlf đã fit được nạp sẵn cho bạn.
Bài tập này là một phần của khóa học
Thiết kế Pipeline Dự báo cho Môi trường Production
Hướng dẫn bài tập
- Đặt
run_namebằng timestamp hiện tại đã được tạo sẵn trong biếnrun_time. - Dùng
mlflow.start_run()để bắt đầu một run với ID thí nghiệm đã chỉ định. - Ghi log mô hình bằng phương thức phù hợp.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
experiment_name = "ml_forecast"
try:
mlflow.create_experiment(name=experiment_name)
meta = mlflow.get_experiment_by_name(experiment_name)
print(f"Setting a new experiment {experiment_name}")
except:
print(f"Experiment {experiment_name} exists, pulling the metadata")
meta = mlflow.get_experiment_by_name(experiment_name)
# Setup the run name and time
run_time = datetime.datetime.now().strftime("%Y-%m-%d %H-%M-%S")
run_name = f"lightGBM6_{____}"
# Start the run
with mlflow.____(experiment_id=meta.experiment_id, run_name=run_name) as run:
# Log the model
mlforecast.flavor.____(model=mlf, artifact_path="prod_model")
print(f"MLflow Run created - Name: {run_name}, ID: {run.info.run_id}")