Installere MLflow: En trinnvis instruksjon om MLflow-installasjon

Trinn 1: Installasjon av Python

Python må installeres på en fungerende datamaskin før du fortsetter fordi det er en forutsetning for å skrive koden i MLflow. Installer Pythons nyeste versjon på den bærbare datamaskinen eller datamaskinen ved å laste den ned fra den offisielle nettsiden. Før du starter installasjonen, les instruksjonene nøye. Sørg for å legge Python til systemet PATH under installasjonen.

Bekreft installasjonen av Python

For å sikre at Python har blitt installert på den personlige datamaskinen, åpne ledeteksten (i Windows) eller terminalen (i Linux), skriv inn Python-kommandoen og trykk på 'Enter'-knappen. Etter vellykket kjøring av kommandoen, viser operativsystemet Python-versjonen i terminalvinduet. I følgende eksempel er Python 3.11.1-versjonen installert på den angitte datamaskinen som vist i følgende kodebit:

Trinn 2: Sett opp et virtuelt miljø

Å lage et virtuelt miljø for å skille MLflow-avhengighetene fra de personlige systemomfattende Python-pakkene er en utmerket tilnærming. Selv om det ikke er nødvendig, anbefales det på det sterkeste å sette opp et privat virtuelt miljø for MLflow. For å gjøre dette, åpne kommandolinjen og gå til prosjektkatalogen du vil jobbe med. For å navigere til Python Directory som er inne i 'Work'-mappen på D-stasjonen når vi bruker Windows. For å bygge et virtuelt miljø, utfør følgende kommando:

Den nevnte kommandoen bruker Python og godtar -m (Make)-bryteren for å lage et virtuelt miljø i gjeldende katalog. 'venv' refererer til det virtuelle miljøet, og miljøets navn blir deretter fulgt av 'MLFlow-ENV' i dette eksemplet. Det virtuelle miljøet opprettes ved bruk av denne kommandoen som gitt i følgende utdrag:

Hvis det virtuelle miljøet er vellykket opprettet, kan vi sjekke 'Arbeidskatalogen' for å observere at den tidligere nevnte kommandoen produserte mappen 'MLFlow-ENV' som har ytterligere tre kataloger med følgende navn:

• Inkludere
• Lib
• Skript

Etter å ha brukt den nevnte kommandoen, her er hvordan Python-mappens katalogstruktur ser ut - den produserte et virtuelt miljø som er oppført i følgende:

Trinn 3: Aktiver det virtuelle miljøet

I dette trinnet aktiverer vi det virtuelle miljøet ved hjelp av en batchfil som ligger inne i mappen 'Skript'. Følgende skjermbilde viser at det virtuelle miljøet er operativt etter en vellykket aktivering:

Trinn 4: Installere MLflow

Nå er det på tide å installere MLflow. Etter å ha aktivert det virtuelle miljøet (hvis du valgte å lage et), installer MLflow ved å bruke pip-kommandoen som følger:

Følgende utdrag viser at MLflow-installasjonen laster ned de nødvendige filene fra internett og installerer dem i det virtuelle miljøet:

MLflow vil ta litt tid, avhengig av hastigheten på internett. Følgende skjermbilde viser vellykket gjennomføring av MLflow-installasjonen.

Den siste linjen i kodebiten indikerer at den nyeste versjonen av pip er tilgjengelig nå; det er opp til sluttbrukeren om pip skal oppdateres eller ikke. Versjonen av det installerte pipet vises i rød farge '22.3.1'. Siden vi oppgraderer pip til 23.2.1-versjonen, skriv inn følgende oppførte kommando for å fullføre oppdateringen:

Følgende skjermbilde viser den vellykkede oppgraderingen av pip til den nyeste 23.2.1-versjonen:

Trinn 5: Bekreft MLflow-installasjonen

Å bekrefte MLflow-installasjonen er det siste, men viktige trinnet. Det er på tide å bekrefte om MLflow-installasjonen er vellykket eller ikke. For å sjekke MLflow-versjonen som for øyeblikket er installert på PC-en, kjør følgende gitte kommando:

Følgende kodebit viser at 2.5.0-versjonen av MLflow er installert på arbeidsmaskinen:

Trinn 6: Start MLflow-serveren (valgfritt trinn)

Kjør den påfølgende kommandoen for å starte MLflow-serveren slik at nettbrukergrensesnittet vil være tilgjengelig:

Følgende skjermbilde viser at serveren opererer på den lokale verten (127.0.0.1) og port 5000:

Serveren vil fungere som standard ved 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 (+)-ikonet ved siden av 'Eksperimenter' for å legge til ekstra eksperimenter ved hjelp av nettgrensesnittet. Her er et skjermbilde av nettgrensesnittet til MLflow-serveren:

Hvordan endre serverporten

MLflow-serveren opererer vanligvis på port 5000. Porten kan imidlertid byttes til det foretrukne nummeret. Følg disse instruksjonene for å starte MLflow-serveren på en bestemt port:

Åpne ledeteksten, PowerShell eller terminalvinduet.
Trykk på Windows-tasten fra tastaturet. Trykk deretter på 'cmd' eller 'powershell' og slipp tasten.
Slå på det virtuelle miljøet der MLflow er installert (forutsatt at det laget et).
Erstatt PORT_NUMBER med ønsket portnummer når du starter MLflow-serveren:

mlflow server –port PORT_NUMBER

Kjør mlflow-server-7000 som en demo for å starte MLflow-serveren på den nødvendige porten:

Nå vil den angitte porten bli brukt av MLflow-serveren ved å starte nettleserappen og angi følgende URL for å få tilgang til Mlflow-nettgrensesnittet. Erstatt PORT_NUMBER med det obligatoriske portnummeret:

http://localhost:PORT_NUMBER

Porten som er valgt i det foregående trinnet bør erstattes med 'PORT_NUMBER' (for eksempel: http://localhost:7000 ).

Trinn 7: Stopp MLflow-serveren

Når du bruker MLflow til å logge parameterne, spore eksperimentene og undersøke resultatene ved hjelp av web-UI, husk at MLflow-serveren må være i drift.

For å stoppe kjøringen av MLflow-serveren, trykk 'Ctrl + C' i ledeteksten eller PowerShell der serveren kjører. Her er skjermen som viser at driften av serveren ble stoppet.

Konklusjon

Med MLflow kan sluttbrukeren administrere flere maskinlæringsprosjekter med et robust og enkelt rammeverk som gjør det mulig å spore og sammenligne eksperimentene, replikere resultatene og jobbe vellykket med teammedlemmene for å konsentrere seg om å lage og forbedre maskinlæringsmodellene mens holde eksperimentene strukturerte og repeterbare ved hjelp av MLflow.