As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Métricas de log, parâmetros e modelos MLflow durante o treinamento
Depois de se conectar ao servidor de rastreamento MLflow, você pode usar o MLflow SDK para métricas de log, parâmetros e modelos MLflow.
## Métricas de treinamento de logs
Use `mlflow.log_metric` em uma execução de treinamento do MLflow para monitorar as métricas. Para obter mais informações sobre métricas de registro em log usando o MLflow, consulte `[mlflow.log\_metric](https://mlflow.org/docs/2.13.2/python_api/mlflow.html#mlflow.log_metric)`.
```
with mlflow.start_run():
mlflow.log_metric({{"foo"}}, {{1}})
print(mlflow.search_runs())
```
Este script cria uma execução de experimento e imprime uma saída semelhante à seguinte:
```
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
```
Com a interface de usuário do MLflow, neste exemplo, deve ser semelhante ao seguinte:
Selecione **Nome da execução** para ver mais detalhes da execução.
## Parâmetros e modelos de log
**nota**
O exemplo a seguir exige que seu ambiente tenha as permissões `s3:PutObject`. Essa permissão deve ser associada à função do IAM que o usuário do SDK do MLflow assume ao fazer login ou federar sua conta. AWS Para obter mais informações, consulte [Exemplos de políticas de perfil e usuário](https://docs.aws.amazon.com/AmazonS3/latest/userguide/example-policies-s3.html).
O exemplo a seguir apresenta um fluxo de trabalho de treinamento de modelo básico com uso do SKLearn e mostra como rastrear esse modelo em uma execução experimental do MLflow. Este exemplo registra em log parâmetros, métricas e artefatos do modelo.
```
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"}},
)
```
Na interface do usuário do MLflow, escolha o nome do experimento no painel de navegação à esquerda para explorar todas as execuções associadas. Selecione **Nome da execução** para ver mais informações sobre cada execução. Neste exemplo, a página de execução do experimento para essa execução deve ser semelhante à seguinte:
Este exemplo registra em log o modelo de regressão logística. Na interface do usuário do MLflow, você também verá os artefatos do modelo registrados.
