如何使用MLflow、TensorFlow Keras PyCharm嗎

在數據+人工智能峰會在6月,我們宣布MLflow一個開源平台,完成機器學習周期。Beplay体育安卓版本平台的哲Beplay体育安卓版本學很簡單:使用任何受歡迎機器學習庫;讓機器學習開發人員與他們的模型實驗,保護培訓環境,參數,和依賴關係,和複製他們的結果;最後部署、監控和服務以開放的方式seamlessly-all有限的約束。

都是很重要的。同樣important-no哲學或設計原則是因素,使平台易於使用:Beplay体育安卓版本

• 最小的努力開始
• 簡單和直觀的開發人員api使開發者生產力
• 充滿活力的社區,健談的文檔和代碼示例學習。

在這個博客中,我們將關注的因素之一:最小的時間開始。在即將到來的博客中,我們將詳細說明的其他因素,盡管我們將簡要提及了。

讓我們考慮所花費的努力水平開始使用MLflow在你最喜愛的IDE。

快速啟動,最少的努力:Python和PyCharm

Python似乎是最受歡迎的機器學習的編程語言。最常見的機器學習框架TensorFlow等Keras,PyTorch,Apache火花MLlib提供Python api。

因此,許多Python開發人員選擇PyCharm作為一個IDE。為什麼?首先,它提供了一個免費的社區版。第二,它會創建一個Python虛擬環境沒有你或者Conda環境,必須顯式。第三,如果你使用了IntelliJ,你將流——開始,數量最少的工作。

讓你使用MLflow以及機器學習模型開發TensorFlow或Keras api,將讓你準備三個簡單的步驟流。

1. 下載PyCharm CE你的筆記本電腦(Mac或Linux)
2. 創建一個項目並導入MLflow項目來源目錄
3. 配置PyCharm環境。

默認情況下PyCharmPython創建虛擬環境,但你可以配置創建一個Conda環境或使用現有的一個。

這個短片的細節步驟2和3在您安裝PyCharm在你的筆記本上。

MLflowKeras模式l

視頻中我們的示例是一個簡單的Keras網絡,修改Keras模型示例,創建一個簡單的多層二進製分類模型的隱藏和輟學層和各自的激活函數。二進製分類是一種常見的機器學習任務廣泛應用於圖像或文本分類分為兩類。例如,一個圖像是貓或狗;或者微博積極或消極情緒;和郵件是否是垃圾郵件或垃圾郵件。

但這裏的重點是展示一個複雜神經網絡模型顯示的您可以開發Keras和TensorFlow日誌一個MLflow運行和試驗在PyCharm在你的筆記本上。

用默認或指定的調優參數作為命令行參數,keras_nn_model.py可以執行,跟蹤,嚐試用MLflow在兩個方麵:PyCharm命令行或。

命令行:指定調優參數作為參數

python keras / keras_nn_mode。py——drop_rate = 0.3時代= 40——輸出= 64 train_batch_size = 256

PyCharm:指定在運行配置參數作為參數

從PyCharm是否從命令行運行,使用記錄的所有參數和結果指標了mflow.log_param ()api如圖所示:

可視化在MLflow跑步

您可以重複實驗modes-command行或PyCharm-and MLflow ui中查看結果。

mlflow ui

檢查你的運行及其各自的指標MLflow UI中給你洞察你的模型如何執行不同的調優參數。

檢查一些運行時,下一步是什麼?你可以做兩件事情之一。
使用這個儀表盤排行榜比較其他模型和各自的組織內部運行。或保存模型部署如果滿意。學習如何閱讀文檔部署MLflow模型。

簡單的api、文檔和代碼示例

早些時候的博客,我們注意到,三個因素,使平台更容易使用。Beplay体育安卓版本我們詳細的第一個一個簡單的使用。接下來,我們想為MLflow簡要分享我們的核心設計理念,導致了另外兩個因素。

首先,我們設計MLflowapi的原則和開源,Python api,這意味著這些api設計提供開發人員構建塊擴展和雇傭MLflow的三個核心組件:跟蹤,項目,模型。REST api和命令行接口,這些api使開發者進行複雜的機器學習生命周期任務:

• 實驗與參數和日誌和跟蹤指標在本地或遠程
• 模型保存在默認的存儲或自定義格式為部署在許多環境中(碼頭工人,Azure毫升、磚或Apache火花UDF)並重新加載您可以運行Python代碼的地方
• 包MLFlow項目自稱和獨立的實體可重用和可再生的被別人從GitHub庫

第二,我們有好的文檔為你開始,我們認真構建的社區貢獻者。雖然現有的代碼示例將讓你開始,加班這個存儲庫的樣本將與你的貢獻增長範圍。你可以開始追求一些MLflow項目mlflow-examples並檢查這個博客的Keras網絡模型在這裏。

所以綜上所述,三個因素影響平台的易用性:快速開發人員開始時間;Beplay体育安卓版本直觀的api文檔和代碼示例;和新興社區。我們談到了三個方麵,你也可以幫助他們。

接下來是什麼

這裏有一些方法可以了解更多關於MLflow甚至貢獻:

1. 加入我們的穀歌用戶組,MLflow聚會,MLflow鬆弛通道
2. GitHub上貢獻:https://github.com/databricks/mlflow
3. 試試MLflow工程實例:https://github.com/mlflow/mlflow-apps
4. 了解更多在www.mlflow.org
5. 閱讀我們的博客:引入MLflow:一個開放源碼的機器學習平台Beplay体育安卓版本
6. 找出新MLflow v0.2.1