Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Enregistrez les métriques, les paramètres et les MLflow modèles pendant l'entraînement

Une fois connecté à votre serveur MLflow de suivi, vous pouvez utiliser le MLflow SDK pour enregistrer les métriques, les paramètres et les MLflow modèles.

Journalisation des métriques d’entraînement

mlflow.log_metricÀ utiliser dans le cadre d'un MLflow entraînement pour suivre les indicateurs. Pour plus d'informations sur l'utilisation des métriques de journalisation MLflow, consultezmlflow.log_metric.

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

Ce script doit créer une exécution d’expérience et imprimer une sortie similaire à ce qui suit :

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

Dans l' MLflow interface utilisateur, cet exemple doit ressembler à ce qui suit :

Choisissez Nom de l’exécution pour voir plus de détails sur l’exécution.

Journalisation des paramètres et des modèles

L'exemple suivant vous présente un flux de travail de formation de base à l'aide d'un modèle SKLearn et vous montre comment suivre ce modèle dans le cadre d'une MLflow expérience. Cet exemple journalise les paramètres, les métriques et les artefacts du modèle.

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",
    )

Dans l' MLflow interface utilisateur, choisissez le nom de l'expérience dans le volet de navigation de gauche pour explorer toutes les exécutions associées. Choisissez le nom de l’exécution pour obtenir plus d’informations sur chaque exécution. Dans cet exemple, la page de votre exécution d’expérience doit ressembler à ce qui suit.

Cet exemple journalise le modèle de régression logistique. Dans l' MLflow interface utilisateur, vous devriez également voir les artefacts du modèle enregistrés.