Python快速入門

MLflow是一個開源的平台管理端到端機器學習生Beplay体育安卓版本命周期。MLflow提供了簡單的api日誌指標(例如,模型損失),參數(例如,學習速率)和擬合模型,便於分析培訓結果或部署模型。

在本節中:

安裝MLflow

磚運行時的10.3毫升以上,磚Autologging默認啟用自動捕獲模型參數,指標,文件,和血統信息當你火車模型從不同的流行的機器學習庫。

磚運行時的10.2及以下,MLflow提供mlflow。<框架> .autolog ()api自動日誌訓練許多毫升框架編寫的代碼。可以調用此API在運行培訓之前代碼日誌模型相關的指標、參數和模型工件。

請注意

Keras模型也支持mlflow.tensorflow.autolog ()。

               #還autoinstruments tf.keras進口mlflow.tensorflowmlflow。tensorflow。autolog()
              

               進口mlflow.xgboostmlflow。xgboost。autolog()
              

               進口mlflow.lightgbmmlflow。lightgbm。autolog()
              

               進口mlflow.sklearnmlflow。sklearn。autolog()
              

如果執行調優pyspark.ml會自動記錄到MLflow,指標和模型。看到Apache火花MLlib和自動化MLflow跟蹤。

執行機器學習代碼後,您可以查看結果使用實驗運行欄。看到查看筆記本的實驗說明如何查看實驗、運行和筆記本修改用於快速入門。

你可以通過直接調用日誌的額外信息MLflow跟蹤日誌記錄api。

              進口mlflowmlflow。log_metric(“準確性”,0.9)
             

              進口mlflowmlflow。log_param(“learning_rate”,0.001)
             

                進口mlflow.sklearnmlflow。sklearn。log_model(模型,“myModel”)
               

                進口mlflow.sparkmlflow。火花。log_model(模型,“myModel”)
               

                進口mlflow.xgboostmlflow。xgboost。log_model(模型,“myModel”)
               

                進口mlflow.tensorflowmlflow。tensorflow。log_model(模型,“myModel”)
               

                進口mlflow.kerasmlflow。keras。log_model(模型,“myModel”)
               

                進口mlflow.pytorchmlflow。pytorch。log_model(模型,“myModel”)
               

                進口mlflow.spacymlflow。寬大的。log_model(模型,“myModel”)
               

              進口mlflowmlflow。log_artifact(“/ tmp /我的文件”,“myArtifactPath”)
             

請注意

磚運行時的10.3毫升以上,磚Autologging在缺省情況下是啟用的,這些例子中的代碼筆記本並不是必需的。本節中的示例筆記本與磚設計用於運行時10.2毫升和下麵。

開始使用的推薦方式與Python是使用MLflow MLflow跟蹤autolog ()API。與MLflow autologging功能,一行代碼自動日誌生成的模型,參數用於創建模型,模型的分數。以下筆記本向您展示了如何建立一個使用autologging運行。

如果你需要更多的控製指標為每個訓練記錄,或希望記錄附加的構件(如表或圖,您可以使用MLflow日誌API函數通過以下的筆記本。