为机器学习全生命周期创建 MLproject：模型工程

MLproject 文件可以包含多个入口点。也就是说，您可以使用同一个 MLproject 文件来执行多个入口点，从而用一个文件串起由多步组成的工作流。

在本练习中，您将构建一个包含 model_engineering 入口点的 MLproject 文件的开头部分。该入口点将执行一个 Python 脚本，并接收用于逻辑回归模型超参数的参数：fit_intercept 和 n_jobs。该模型用于根据保险理赔数据预测个人的性别。

本练习是课程的一部分

MLflow 入门

练习说明

为机器学习生命周期中的模型工程步骤创建名为 model_engineering 的入口点。
将第一个入口点参数设置为 n_jobs，第二个设置为 fit_intercept。
在命令中放置这些参数。

交互式实操练习

通过完成这段示例代码来试试这个练习。

"""
name: insurance_model
python_env: python_env.yaml
entry_points:
  # Set the entry point
  ____:
    parameters: 
      # Set n_jobs 
      ____:
        type: int
        default: 1
      # Set fit_intercept
      ____:
        type: bool
        default: True
    # Pass the parameters to the command
    command: "python3.9 train_model.py {____} {____}"
"""

编辑并运行代码

本练习是课程的一部分

MLflow 入门

SkillTag.level.advancedSkillTag.label

4.8+

免费开始课程

本章将向您介绍 MLflow，以及它如何帮助解决机器学习生命周期中的一些难题。您将认识构成 MLflow 的四个核心概念，并重点学习 MLflow Tracking。您将学会创建实验与运行，并追踪指标、参数和制品。最后，您还将通过编程方式搜索 MLflow，找到符合特定条件的实验运行。

Exercise 1: 什么是 MLflow？Exercise 2: MLflow 的组成部分 Exercise 3: MLflow 实验 Exercise 4: MLflow 跟踪 Exercise 5: 启动一次运行 Exercise 6: 记录一次运行 Exercise 7: 如何获取活动运行的数据？Exercise 8: 查询运行 Exercise 9: 搜索运行的查询选项 Exercise 10: 搜索运行

本章将向您介绍 MLflow Models。MLflow 中的 Models 组件在机器学习生命周期的模型评估与模型工程阶段起着关键作用。您将学习 MLflow Models 如何标准化 ML 模型的打包方式，以及如何保存、记录和加载模型。您还将学习如何创建自定义 MLflow 模型，以便在您的用例中具备更高的灵活性，并评估模型性能。您将使用强大的"Flavors"概念，最后通过 MLflow 命令行工具完成模型部署。

Exercise 1: MLflow Models 简介 Exercise 2: 打包一个机器学习模型 Exercise 3: 存储格式 Exercise 4: MLmodel 文件里有什么？Exercise 5: 模型 API Exercise 6: 保存与加载模型 Exercise 7: 记录并加载模型 Exercise 8: 自定义模型 Exercise 9: 创建自定义 Python 类 Exercise 10: 自定义 scikit-learn 模型 Exercise 11: Scikit-learn 风味与评估 Exercise 12: 模型服务 Exercise 13: 服务化部署模型 Exercise 14: 从已服务的模型获取评分

本章将介绍 MLflow 的 Model Registry 概念。您将了解如何使用 Model Registry 来管理 ML 模型的全生命周期。您将学习如何在 Model Registry 中创建与搜索模型。随后，您会学习如何将模型注册到 Model Registry，并在预定义阶段之间转换模型。最后，您还将学习如何从 Model Registry 部署模型。

Exercise 1: MLflow Model Registry 简介 Exercise 2: 创建模型 Exercise 3: 搜索模型 Exercise 4: 注册模型 Exercise 5: 注册已有模型 Exercise 6: 注册新模型 Exercise 7: 模型阶段 Exercise 8: Model Registry 中的模型阶段 Exercise 9: 切换模型阶段 Exercise 10: 模型部署 Exercise 11: 从 Model Registry 提供模型服务 Exercise 12: 从 Model Registry 加载模型

在本章中，您将学习如何使用 MLflow Projects 提升数据科学代码的可复用性与可复现性。章节将从介绍 MLflow Projects 的概念开始，并带您创建一个 MLproject 文件。随后，您将学习如何通过命令行与 MLflow Projects 模块运行项目，并了解使用参数为代码带来的灵活性。最后，您将学习如何构建一个使用 MLflow Projects 的多步骤工作流，以管理机器学习生命周期中的各个步骤。

Exercise 1: MLflow Projects 简介 Exercise 2: MLproject 文件结构 Exercise 3: 创建 MLproject Exercise 4: 运行 MLflow Projects Exercise 5: mlflow run 命令 Exercise 6: MLflow projects 模块 Exercise 7: 指定参数 Exercise 8: 在 MLproject 中添加参数 Exercise 9: 为项目运行添加参数 Exercise 10: 工作流 Exercise 11: 为机器学习全生命周期创建 MLproject：模型工程

当前练习

Exercise 12: 为机器学习生命周期创建 MLproject：模型评估 Exercise 13: 创建多步骤工作流：模型工程 Exercise 14: 创建多步工作流：模型评估 Exercise 15: 总结