MLflow管理是什麼?
管理MLflow之上MLflow,一個開源的平台開發的磚來幫助管理Beplay体育安卓版本完整的機器學習與企業生命周期的可靠性、安全性和規模。最新更新MLflow充滿了創新的特性,拓寬管理和部署大型語言模型的能力(llm)。這個增強LLM支持是通過三個新模型口味:擁抱臉變形金剛,OpenAI函數和LangChain。
好處
模型開發
加速和簡化機器學習生命周期管理與開發生產就緒的ML標準化框架模型。有管理MLflow食譜,你可以引導毫升項目,輕鬆進行快速迭代的大規模生產和運送高品質的模型。
實驗跟蹤
與任何毫升圖書館運行實驗,框架或語言,並自動跟蹤參數,指標,從每個實驗代碼和模型。通過使用MLflow磚,您可以安全地共享、管理和比較實驗結果以及相應的工件和代碼版本——由於與磚的內置集成工作區和筆記本。
模型管理
使用一個中央位置發現和分享ML模式,合作將他們從在線測試和生產實驗,與批準和管理工作流集成和CI / CD管道、部署和監控毫升及其性能。的MLflow模型注冊促進專業技能和知識的共享,並幫助你保持控製。
模型部署
快速部署批量生產模型推理在Apache火花™或REST api使用內置集成和碼頭工人容器,Azure毫升或亞馬遜SageMaker。與托管MLflow磚,可以實施和監控生產模型使用磚工作調度器和auto-managed集群規模基於業務需求。
特性
MLflow模型注冊
中央存儲庫:注冊與MLflow模型MLflow模型注冊。注冊模型都有一個唯一的名稱,版本,舞台上,和其他元數據。
模型版本:時自動跟蹤注冊模型的版本更新。
模型階段:預設或自定義階段分配給每個模型版本,如“暫存”和“生產”來表示模型的生命周期。
CI / CD工作流集成:記錄轉換階段,要求,審查和批準變更的CI / CD管道進行更好的控製和治理。
模型轉換階段:記錄新的注冊事件或變化自動記錄用戶的活動,評論等變化,額外的元數據。
MLflow模型
MLFLOW模型:包裝機器學習模型的標準格式,可用於多種下遊工具——例如,實時服務通過REST API或批推理在Apache火花。
模型定製:使用自定義Python模型和定製的味道對模型的ML庫,沒有顯式地支持MLflow內置的味道。
內置的模型形式:MLflow提供了一些標準的味道,可能是有用的在您的應用程序中,像Python和R的函數,擁抱的臉,OpenAI LangChain,火花MLlib PyTorch TensorFlow, ONNX。
內置的部署工具:快速部署在磚通過Apache火花UDF本地機器,或其他一些生產環境如微軟Azure ML,亞馬遜SageMaker,為部署建立碼頭工人的照片。
MLflow食譜
簡化項目啟動:MLflow食譜提供了用於構建和部署毫升的即用連接組件模型。
加速模型迭代:MLflow食譜創建標準化、可重用模型迭代的步驟,使過程更快、更便宜。
自動化團隊的協調管理:固執己見的結構提供了模塊化生產就緒代碼,使自動切換從實驗到生產。
MLflow跟蹤
MLFLOW跟蹤:自動日誌參數,代碼版本,為每個運行使用指標和工件Python,休息,R API,Java API
MLFLOW跟蹤服務器:快速掌握一個內置的跟蹤服務器日誌所有運行和實驗在一個地方。不需要配置在磚上。
實驗管理:創建、安全組織、搜索和可視化實驗在工作區與訪問控製和搜索查詢。
MLFLOW運行欄:自動跟蹤運行在筆記本和捕獲的快照為每個運行你的筆記本,這樣你可以回到以前版本的代碼。
測井數據與運行:日誌參數、數據集、指標、工件和更多的跑到本地文件,SQLAlchemy數據庫兼容,或者遠程跟蹤服務器。
三角洲湖集成:跟蹤美聯儲的大規模數據集模型與三角洲湖快照。
構件存儲:存儲大文件如S3 bucket, NFS共享文件係統,和模型在Amazon S3, Azure Blob存儲,穀歌雲存儲,SFTP服務器,NFS,本地文件路徑。
看到我們的產品新聞從Azure磚和AWS更多地了解我們的最新功能。
比較MLflow祭
它是如何工作的
MLflow是一個輕量級的api和用戶界麵,可用於任何毫升框架整個機器學習工作流程。它包括四個部分:MLflow跟蹤,MLflow項目,MLflow模型和MLflow模型注冊
管理MLflow磚上
管理MLflow磚是MLflow為從業者提供的完整版本的管理在磚筆記本的再現性和實驗管理,工作,和數據存儲的可靠性、安全性和可伸縮性的磚Lakehouse平台Beplay体育安卓版本。
