Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Protokollieren Sie Metriken, Parameter und MLflow Modelle während des Trainings

Nachdem Sie eine Verbindung zu Ihrem MLflow Tracking-Server hergestellt haben, können Sie das MLflow SDK verwenden, um Metriken, Parameter und MLflow Modelle zu protokollieren.

Protokollieren von Trainingsmetriken

Verwenden Sie es mlflow.log_metric innerhalb eines MLflow Trainingslaufs, um Messwerte zu verfolgen. Weitere Hinweise zur Protokollierung von MLflow Metriken mithilfe vonmlflow.log_metric.

with mlflow.start_run():
    mlflow.log_metric("foo", 1)
    
print(mlflow.search_runs())

Dieses Skript sollte einen Experimentlauf erstellen und eine Ausgabe ähnlich der folgenden generieren:

run_id experiment_id status artifact_uri ... tags.mlflow.source.name tags.mlflow.user tags.mlflow.source.type tags.mlflow.runName
0 607eb5c558c148dea176d8929bd44869 0 FINISHED s3://dddd/0/607eb5c558c148dea176d8929bd44869/a... ... file.py user-id LOCAL experiment-code-name

In der MLflow Benutzeroberfläche sollte dieses Beispiel wie folgt aussehen:

Wählen Sie Laufname aus, um weitere Ausführungsdetails anzuzeigen.

Protokollieren von Parametern und Modellen

Das folgende Beispiel führt Sie durch einen grundlegenden Trainingsablauf mit einem Modell SKLearn und zeigt Ihnen, wie Sie dieses Modell in einem MLflow Versuchslauf nachverfolgen können. In diesem Beispiel werden Parameter, Metriken und Modellartefakte protokolliert.

import mlflow

from mlflow.models import infer_signature

import pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# This is the ARN of the MLflow Tracking Server you created
mlflow.set_tracking_uri(your-tracking-server-arn)
mlflow.set_experiment("some-experiment")

# Load the Iris dataset
X, y = datasets.load_iris(return_X_y=True)

# Split the data into training and test sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Define the model hyperparameters
params = {"solver": "lbfgs", "max_iter": 1000, "multi_class": "auto", "random_state": 8888}

# Train the model
lr = LogisticRegression(**params)
lr.fit(X_train, y_train)

# Predict on the test set
y_pred = lr.predict(X_test)

# Calculate accuracy as a target loss metric
accuracy = accuracy_score(y_test, y_pred)

# Start an MLflow run and log parameters, metrics, and model artifacts
with mlflow.start_run():
    # Log the hyperparameters
    mlflow.log_params(params)

    # Log the loss metric
    mlflow.log_metric("accuracy", accuracy)

    # Set a tag that we can use to remind ourselves what this run was for
    mlflow.set_tag("Training Info", "Basic LR model for iris data")

    # Infer the model signature
    signature = infer_signature(X_train, lr.predict(X_train))

    # Log the model
    model_info = mlflow.sklearn.log_model(
        sk_model=lr,
        name="iris_model", # Changed from artifact_path to name for MLflow 3.0
        signature=signature,
        input_example=X_train,
        registered_model_name="tracking-quickstart",
    )

Wählen Sie auf der MLflow Benutzeroberfläche im linken Navigationsbereich den Namen des Experiments aus, um alle zugehörigen Durchläufe zu untersuchen. Wählen Sie den Laufnamen aus, um weitere Informationen zum entsprechenden Lauf zu erhalten. In diesem Beispiel sollte die Experimentlaufseite für diesen Lauf in etwa wie folgt aussehen.

In diesem Beispiel wird das logistische Regressionsmodell protokolliert. In der MLflow Benutzeroberfläche sollten Sie auch die protokollierten Modellartefakte sehen.