Шаг 1. Установка Python
Прежде чем продолжить, Python необходимо установить на рабочий компьютер, поскольку это необходимое условие для написания кода в MLflow. Установите самую последнюю версию Python на ноутбук или компьютер, загрузив ее с официального сайта. Перед началом установки внимательно прочтите инструкцию. Обязательно добавьте Python в системную переменную PATH во время установки.
Проверьте установку Python
Чтобы убедиться, что Python успешно установлен на персональный компьютер, откройте командную строку (в Windows) или терминал (в Linux), введите команду Python и нажмите кнопку «Ввод». После успешного выполнения команды операционная система отображает версию Python в окне терминала. В следующем примере версия Python 3.11.1 установлена на указанном компьютере, как показано в следующем фрагменте:
Шаг 2. Настройка виртуальной среды
Создание виртуальной среды для отделения зависимостей MLflow от персональных общесистемных пакетов Python — отличный подход. Хотя это и не обязательно, настоятельно рекомендуется настроить частную виртуальную среду для MLflow. Для этого откройте командную строку и перейдите в каталог проекта, над которым вы хотите работать. Чтобы перейти к каталогу Python, который находится внутри папки «Работа» на диске D, поскольку мы используем Windows. Чтобы создать виртуальную среду, выполните следующую команду:
python –m venv MLFlow-ENV
Вышеупомянутая команда использует Python и принимает ключ -m (Make) для создания виртуальной среды в текущем каталоге. «venv» относится к виртуальной среде, а в этом примере за именем среды следует «MLFlow-ENV». Виртуальная среда создается с помощью этой команды, как показано в следующем фрагменте:
Если виртуальная среда успешно создана, мы можем проверить «Рабочий каталог» и увидеть, что ранее упомянутая команда создала папку «MLFlow-ENV», которая имеет еще три каталога со следующими именами:
- Включать
- Либерал
- Скрипты
Вот как выглядит структура каталогов папки Python после использования вышеупомянутой команды: она создала виртуальную среду, как показано ниже:
Шаг 3. Активируйте виртуальную среду
На этом этапе мы активируем виртуальную среду с помощью командного файла, который находится внутри папки «Scripts». На следующем снимке экрана показано, что виртуальная среда работоспособна после успешной активации:
Шаг 4. Установка MLflow
Теперь пришло время установить MLflow. После активации виртуальной среды (если вы решили ее создать) установите MLflow с помощью команды pip следующим образом:
pip установить mlflowВ следующем фрагменте показано, что установка MLflow загружает необходимые файлы из Интернета и устанавливает их в виртуальную среду:
MLflow займет некоторое время, в зависимости от скорости Интернета. На следующем экране показано успешное завершение установки MLflow.
Последняя строка фрагмента указывает, что сейчас доступна самая последняя версия pip; Конечный пользователь решает, обновлять pip или нет. Версия установленного пипа отображается красным цветом «22.3.1». Поскольку мы обновляем pip до версии 23.2.1, введите следующую команду, чтобы завершить обновление:
питон. Exe –m pip install --upgrade pipНа следующем экране показано успешное обновление pip до последней версии 23.2.1:
Шаг 5. Подтвердите установку MLflow
Проверка установки MLflow — последний, но важный шаг. Пришло время подтвердить, прошла ли установка MLflow успешно или нет. Чтобы проверить версию MLflow, которая в данный момент установлена на ПК, выполните следующую команду:
млфлов --версияВ следующем фрагменте показано, что на рабочей машине установлена версия MLflow 2.5.0:
Шаг 6. Запустите сервер MLflow (необязательный шаг)
Запустите следующую команду, чтобы запустить сервер MLflow и сделать доступным веб-интерфейс пользователя:
сервер млфлоуНа следующем экране показано, что сервер работает на локальном хосте (127.0.0.1) и порту 5000:
По умолчанию сервер будет работать под значком http://localhost:5000. To access the Web Interface for MLflow, browse this URL in the web browser application. The server runs on port number 5000. The “Experiments and Models” menu tabs are present in the MLflow web interface. Similarly, two other links—GitHub and Docs—are on the left side. Click the plus (+) рядом с «Экспериментами», чтобы добавлять дополнительные эксперименты с помощью веб-интерфейса. Вот скриншот веб-интерфейса сервера MLflow:
Как изменить порт сервера
Сервер MLflow обычно работает через порт 5000. Однако порт можно переключить на предпочтительный номер. Следуйте этим инструкциям, чтобы запустить сервер MLflow на определенном порту:
Откройте командную строку, PowerShell или окно терминала.
Нажмите клавишу Windows на клавиатуре. Затем нажмите «cmd» или «powershell» и отпустите клавишу.
Включите виртуальную среду, в которой установлен MLflow (при условии, что она создана).
Замените PORT_NUMBER на желаемый номер порта при запуске сервера MLflow:
сервер mlflow – порт PORT_NUMBER
Запустите mlflow-server-7000 в качестве демонстрации, чтобы запустить сервер MLflow на нужном порту:
сервер mlflow --port 7000Теперь назначенный порт будет использоваться сервером MLflow путем запуска приложения веб-браузера и ввода следующего URL-адреса для доступа к веб-интерфейсу Mlflow. Замените PORT_NUMBER обязательным номером порта:
http://localhost:PORT_NUMBER
Порт, выбранный на предыдущем шаге, следует заменить на «PORT_NUMBER» (например: http://localhost:7000 ).
Шаг 7. Остановите сервер MLflow
При использовании MLflow для регистрации параметров, отслеживания экспериментов и проверки результатов с помощью веб-интерфейса имейте в виду, что сервер MLflow должен работать.
Чтобы остановить выполнение сервера MLflow, нажмите «Ctrl + C» в командной строке или PowerShell, где работает сервер. Вот экран, показывающий, что работа сервера была успешно остановлена.
Заключение
С помощью MLflow конечный пользователь может управлять несколькими проектами машинного обучения с помощью надежной и простой структуры, которая позволяет отслеживать и сравнивать эксперименты, воспроизводить результаты и успешно работать с членами команды, концентрируясь на создании и совершенствовании моделей машинного обучения, одновременно сохранение структуры и повторяемости экспериментов с помощью MLflow.