Python快速入門

MLflow是一個開源的平台管理端到端機器學習生Beplay体育安卓版本命周期。MLflow提供了簡單的api日誌指標(例如,模型損失),參數(例如,學習速率)和擬合模型,便於分析培訓結果或部署模型。

安裝MLflow

如果你使用磚運行時機器學習,MLflow已經安裝。否則,安裝MLflow PyPI寄來的包裹

自動日誌訓練運行MLflow

磚運行時的10.3毫升以上,磚Autologging默認啟用自動捕獲模型參數,指標,文件,和血統信息當你火車模型從不同的流行的機器學習庫。

磚運行時的10.2及以下,MLflow提供mlflow。<框架> .autolog ()api自動日誌訓練許多毫升框架編寫的代碼。可以調用此API在運行培訓之前代碼日誌模型相關的指標、參數和模型工件。

請注意

Keras模型也支持mlflow.tensorflow.autolog ()

#還autoinstruments tf.keras進口mlflow.tensorflowmlflowtensorflowautolog()
進口mlflow.xgboostmlflowxgboostautolog()
進口mlflow.lightgbmmlflowlightgbmautolog()
進口mlflow.sklearnmlflowsklearnautolog()

如果執行調優pyspark.ml會自動記錄到MLflow,指標和模型。看到Apache火花MLlib和自動化MLflow跟蹤

查看結果

執行機器學習代碼後,您可以查看結果使用實驗運行欄。看到查看筆記本的實驗說明如何查看實驗、運行和筆記本修改用於快速入門。

跟蹤額外的指標、參數和模型

你可以通過直接調用日誌的額外信息MLflow跟蹤日誌記錄api

數值指標

進口mlflowmlflowlog_metric(“準確性”,0.9)

訓練參數

進口mlflowmlflowlog_param(“learning_rate”,0.001)

模型

進口mlflow.sklearnmlflowsklearnlog_model(模型,“myModel”)
進口mlflow.sparkmlflow火花log_model(模型,“myModel”)
進口mlflow.xgboostmlflowxgboostlog_model(模型,“myModel”)
進口mlflow.tensorflowmlflowtensorflowlog_model(模型,“myModel”)
進口mlflow.kerasmlflowkeraslog_model(模型,“myModel”)
進口mlflow.pytorchmlflowpytorchlog_model(模型,“myModel”)
進口mlflow.spacymlflow寬大的log_model(模型,“myModel”)

其他工件(文件)

進口mlflowmlflowlog_artifact(“/ tmp /我的文件”,“myArtifactPath”)

例如筆記本電腦

請注意

磚運行時的10.3毫升以上,磚Autologging在缺省情況下是啟用的,這些例子中的代碼筆記本並不是必需的。本節中的示例筆記本與磚設計用於運行時10.2毫升和下麵。

開始使用的推薦方式與Python是使用MLflow MLflow跟蹤autolog ()API。與MLflow autologging功能,一行代碼自動日誌生成的模型,參數用於創建模型,模型的分數。以下筆記本向您展示了如何建立一個使用autologging運行。

Python筆記本MLflow autologging快速入門

在新標簽頁打開筆記本

如果你需要更多的控製指標為每個訓練記錄,或希望記錄附加的構件(如表或圖,您可以使用MLflow日誌API函數通過以下的筆記本。

Python筆記本MLflow日誌API快速入門

在新標簽頁打開筆記本