MLflow

dongua afufu

Sep 19, 2021

ML模型開發目前所遇到困難點，主要有以下幾個原因，所以才創造出MLflow

要持續記錄的環境
要持續紀錄自己的變數更改、結果等等
和多人實作時，別人使用你的model

MLflow是一個開源的管理平台，包含四大核心功能：

Tracking：追蹤紀錄實驗數據、比較參數組合和模型效果
Project：打包整個機器學習專案，使其即使在不同環境、不同專業的人手中，皆可重用、重現
Model：方便在不同平台環境，用相同的方式管理及部署來自不同ML libraries的模型
Model Registry：將模型的訓練過程、迭代產出，儲存並中心化集中管理，包含版本控制、測試與正式環境切換、標記註記。

🌟其他Key Concepts：

Parameters：key-value input，調參數

Metrics： numeric values，要記錄的指標

Artifact： files, data, and models

Source： what code ran

實作

下載mlflow

pip install mlflow

接著先使用官網的範例

import os
from random import random, randint
from mlflow import log_metric, log_param, log_artifactsif __name__ == "__main__":
    # Log a parameter (key-value pair)
    log_param("param1", randint(0, 100))    # 紀錄metric為foo
    log_metric("foo", random())
    log_metric("foo", random() + 1)
    log_metric("foo", random() + 2)    # Log an artifact (output file)
    if not os.path.exists("outputs"):
        os.makedirs("outputs")
    with open("outputs/test.txt", "w") as f:
        f.write("hello world!")
    log_artifacts("outputs")

觀看Tracking UI