MLflow diegimas: nuosekli MLflow diegimo instrukcija

1 veiksmas: „Python“ diegimas

Prieš tęsiant „Python“ turi būti įdiegtas veikiančiame kompiuteryje, nes tai yra būtina kodo rašymo MLflow sąlyga. Įdiekite naujausią Python versiją nešiojamajame arba kompiuteryje atsisiųsdami ją iš oficialios svetainės. Prieš pradėdami montuoti, atidžiai perskaitykite instrukcijas. Diegdami būtinai įtraukite Python prie sistemos PATH.

Patikrinkite Python įdiegimą

Norėdami įsitikinti, kad Python buvo sėkmingai įdiegtas asmeniniame kompiuteryje, atidarykite komandų eilutę (Windows) arba terminalą ('Linux'), įveskite Python komandą ir paspauskite mygtuką 'Enter'. Sėkmingai įvykdžius komandą, operacinė sistema terminalo lange parodo Python versiją. Šiame pavyzdyje Python 3.11.1 versija yra įdiegta nurodytame kompiuteryje, kaip parodyta šiame fragmente:

2 veiksmas: nustatykite virtualią aplinką

Puikus būdas sukurti virtualią aplinką, kad būtų atskirtos MLflow priklausomybės nuo asmeninių visos sistemos Python paketų. Nors tai nėra būtina, primygtinai rekomenduojama sukurti privačią virtualią MLflow aplinką. Norėdami tai padaryti, atidarykite komandų eilutę ir eikite į projekto katalogą, kuriame norite dirbti. Norėdami pereiti į Python katalogą, esantį D disko aplanke „Darbas“, kai naudojame „Windows“. Norėdami sukurti virtualią aplinką, vykdykite sekančią komandą:

Pirmiau minėta komanda naudoja Python ir priima jungiklį -m (Make), kad sukurtų virtualią aplinką dabartiniame kataloge. „venv“ reiškia virtualią aplinką, o po aplinkos pavadinimo šiame pavyzdyje rašoma „MLFlow-ENV“. Virtuali aplinka sukuriama naudojant šią komandą, kaip nurodyta šiame fragmente:

Jei virtuali aplinka sėkmingai sukurta, galime patikrinti „Darbo katalogą“, kad pastebėtume, ar anksčiau minėta komanda sukūrė aplanką „MLFlow-ENV“, kuriame yra dar trys katalogai tokiais pavadinimais:

• Įtraukti
• Lib
• Scenarijai

Panaudojus pirmiau minėtą komandą, štai kaip atrodo Python aplanko katalogo struktūra – ji sukūrė virtualią aplinką, kaip nurodyta toliau:

3 veiksmas: suaktyvinkite virtualią aplinką

Šiame žingsnyje virtualią aplinką suaktyviname naudodami paketinį failą, esantį aplanke „Skriptai“. Toliau pateikta ekrano kopija rodo, kad virtuali aplinka veikia sėkmingai suaktyvinus:

4 veiksmas: MLflow diegimas

Dabar atėjo laikas įdiegti MLflow. Suaktyvinę virtualią aplinką (jei pasirinkote ją sukurti), įdiekite MLflow naudodami pip komandą taip:

Šis fragmentas rodo, kad MLflow diegimas atsisiunčia reikiamus failus iš interneto ir įdiegia juos į virtualią aplinką:

MLflow užtruks šiek tiek laiko, priklausomai nuo interneto greičio. Šiame ekrane parodytas sėkmingas MLflow diegimo užbaigimas.

Paskutinė fragmento eilutė rodo, kad dabar pasiekiama naujausia pip versija; galutinis vartotojas priklauso, ar atnaujinti pip, ar ne. Įdiegto pip versija rodoma raudona spalva „22.3.1“. Kadangi atnaujiname pip į 23.2.1 versiją, įveskite toliau pateiktą komandą, kad užbaigtumėte naujinimą:

Šiame ekrane rodomas sėkmingas pip atnaujinimas į naujausią 23.2.1 versiją:

5 veiksmas: patvirtinkite MLflow diegimą

MLflow diegimo patikrinimas yra paskutinis, bet esminis žingsnis. Atėjo laikas patvirtinti, ar MLflow diegimas sėkmingas, ar ne. Norėdami patikrinti šiuo metu kompiuteryje įdiegtą MLflow versiją, paleiskite šią komandą:

Šis fragmentas rodo, kad 2.5.0 MLflow versija yra įdiegta darbo mašinoje:

6 veiksmas: paleiskite MLflow serverį (pasirenkamas veiksmas)

Vykdykite kitą komandą, kad paleistumėte MLflow serverį, kad būtų galima naudotis žiniatinklio vartotojo sąsaja:

Šis ekranas rodo, kad serveris veikia vietiniame priegloboje (127.0.0.1) ir prievade 5000:

Pagal numatytuosius nustatymus serveris veiks su 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 (+) piktograma šalia „Eksperimentai“, kad būtų galima pridėti papildomų eksperimentų naudojant žiniatinklio sąsają. Štai MLflow serverio žiniatinklio vartotojo sąsajos ekrano kopija:

Kaip pakeisti serverio prievadą

MLflow serveris paprastai veikia 5000 prievadu. Tačiau prievadą galima perjungti į pageidaujamą numerį. Vykdykite šias instrukcijas, kad paleistumėte MLflow serverį konkrečiame prievade:

Atidarykite komandų eilutę, „PowerShell“ arba terminalo langą.
Klaviatūroje paspauskite „Windows“ klavišą. Tada paspauskite „cmd“ arba „powershell“ ir atleiskite klavišą.
Įjunkite virtualią aplinką, kurioje įdiegtas MLflow (darant prielaidą, kad ji tokia buvo).
Paleiskite MLflow serverį, pakeiskite PORT_NUMBER norimu prievado numeriu:

mlflow serverio – prievadas PORT_NUMBER

Paleiskite mlflow-server-7000 kaip demonstracinę versiją, kad paleistumėte MLflow serverį reikiamame prievade:

Dabar nurodytą prievadą naudos MLflow serveris, paleisdamas žiniatinklio naršyklės programą ir įvesdamas šį URL, kad pasiektumėte Mlflow žiniatinklio vartotojo sąsają. Pakeiskite PORT_NUMBER privalomu prievado numeriu:

http://localhost:PORT_NUMBER

Ankstesniame veiksme pasirinktas prievadas turėtų būti pakeistas „PORT_NUMBER“ (pvz.: http://localhost:7000 ).

7 veiksmas: sustabdykite MLflow serverį

Naudodami MLflow parametrams registruoti, eksperimentams stebėti ir rezultatams tirti naudodami žiniatinklio vartotojo sąsają, atminkite, kad MLflow serveris turi veikti.

Norėdami sustabdyti MLflow serverio vykdymą, paspauskite „Ctrl + C“ komandų eilutėje arba „PowerShell“, kurioje veikia serveris. Čia yra ekranas, rodantis, kad serverio darbas buvo sėkmingai sustabdytas.

Išvada

Naudodamas MLflow, galutinis vartotojas gali valdyti kelis mašininio mokymosi projektus naudodamas tvirtą ir paprastą sistemą, leidžiančią stebėti ir palyginti eksperimentus, atkartoti rezultatus ir sėkmingai dirbti su komandos nariais, kad sutelktų dėmesį į mašininio mokymosi modelių kūrimą ir tobulinimą. Išlaikant eksperimentus struktūrizuotus ir pakartojamus naudojant MLflow.