Trin 1: Installation af Python
Python skal installeres på en fungerende computer, før du fortsætter, fordi det er en forudsætning for at skrive koden i MLflow. Installer Pythons seneste version på den bærbare eller computer ved at downloade den fra den officielle hjemmeside. Inden installationen påbegyndes, skal du læse instruktionerne omhyggeligt. Sørg for at tilføje Python til systemet PATH under installationen.
Bekræft installationen af Python
For at sikre, at Python er blevet installeret på den personlige computer, skal du åbne kommandoprompten (i Windows) eller terminalen (i Linux), indtaste Python-kommandoen og trykke på 'Enter'-knappen. Efter vellykket udførelse af kommandoen viser operativsystemet Python-versionen i terminalvinduet. I det følgende eksempel er Python 3.11.1-versionen installeret på den angivne computer som vist i følgende uddrag:
Trin 2: Konfigurer et virtuelt miljø
At lave et virtuelt miljø for at adskille MLflow-afhængighederne fra de personlige systemdækkende Python-pakker er en fremragende tilgang. Selvom det ikke er påkrævet, anbefales det kraftigt at konfigurere et privat virtuelt miljø til MLflow. For at gøre dette skal du åbne kommandolinjen og gå til den projektmappe, du vil arbejde på. For at navigere til Python Directory, som er inde i 'Work'-mappen på D-drevet, da vi bruger Windows. For at bygge et virtuelt miljø skal du udføre den efterfølgende kommando:
python –m venv MLFlow-ENV
Den førnævnte kommando bruger Python og accepterer -m (Make) switch for at skabe et virtuelt miljø i den aktuelle mappe. 'venv' refererer til det virtuelle miljø, og miljøets navn efterfølges derefter af 'MLFlow-ENV' i dette eksempel. Det virtuelle miljø oprettes ved brug af denne kommando som angivet i følgende uddrag:
Hvis det virtuelle miljø er oprettet, kan vi tjekke 'Arbejdsmappen' for at observere, at den tidligere nævnte kommando producerede mappen 'MLFlow-ENV', som har yderligere tre mapper med følgende navne:
- Omfatte
- Lib
- Scripts
Efter at have brugt den førnævnte kommando, ser her hvordan Python-mappens mappestruktur ser ud - den producerede et virtuelt miljø som angivet i det følgende:
Trin 3: Aktiver det virtuelle miljø
I dette trin aktiverer vi det virtuelle miljø ved hjælp af en batch-fil, der er placeret inde i mappen 'Scripts'. Følgende skærmbillede viser, at det virtuelle miljø er operationelt efter en vellykket aktivering:
Trin 4: Installation af MLflow
Nu er det tid til at installere MLflow. Efter aktivering af det virtuelle miljø (hvis du har valgt at oprette et), skal du installere MLflow ved hjælp af pip-kommandoen som følger:
pip installer mlflowFølgende uddrag viser, at MLflow-installationen downloader de nødvendige filer fra internettet og installerer dem i det virtuelle miljø:
MLflow vil tage noget tid, afhængigt af hastigheden på internettet. Følgende skærm viser den vellykkede afslutning af MLflow-installationen.
Den sidste linje i uddraget indikerer, at den seneste version af pip er tilgængelig nu; det er op til slutbrugeren, om pip skal opdateres eller ej. Versionen af den installerede pip vises i rød farve '22.3.1'. Da vi opgraderer pip til 23.2.1-versionen, skal du indtaste følgende kommando for at fuldføre opdateringen:
python. exe –m pip install --opgrader pipFølgende skærm viser den vellykkede opgradering af pip til den seneste 23.2.1 version:
Trin 5: Bekræft MLflow-installationen
Bekræftelse af MLflow-installationen er det sidste, men væsentlige trin. Det er tid til at bekræfte, om MLflow-installationen er vellykket eller ej. For at kontrollere den MLflow-version, der i øjeblikket er installeret på pc'en, skal du køre følgende givne kommando:
mlflow --versionFølgende uddrag viser, at 2.5.0-versionen af MLflow er installeret på den arbejdende maskine:
Trin 6: Start MLflow-serveren (valgfrit trin)
Kør den efterfølgende kommando for at starte MLflow-serveren, så webbrugergrænsefladen vil være tilgængelig:
mlflow serverFølgende skærm viser, at serveren fungerer på den lokale vært (127.0.0.1) og port 5000:
Serveren vil som standard fungere 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 af 'Eksperimenter' for at tilføje de yderligere eksperimenter ved hjælp af webgrænsefladen. Her er et skærmbillede af MLflow-serverens web-UI:
Sådan ændres serverporten
MLflow-serveren fungerer typisk på port 5000. Porten kan dog skiftes til det foretrukne nummer. Følg disse instruktioner for at starte MLflow-serveren på en bestemt port:
Åbn kommandoprompten, PowerShell eller terminalvinduet.
Tryk på Windows-tasten fra tastaturet. Tryk derefter på 'cmd' eller 'powershell' og slip tasten.
Tænd for det virtuelle miljø, hvor MLflow er installeret (forudsat at det lavede et).
Udskift PORT_NUMBER med det ønskede portnummer, når du starter MLflow-serveren:
mlflow server –port PORT_NUMBER
Kør mlflow-server-7000 som en demo for at starte MLflow-serveren på den nødvendige port:
mlflow server --port 7000Nu vil den udpegede port blive brugt af MLflow-serveren ved at starte webbrowser-appen og indtaste følgende URL for at få adgang til Mlflow-webbrugergrænsefladen. Erstat PORT_NUMBER med det obligatoriske portnummer:
http://localhost:PORT_NUMBER
Den port, der er valgt i det foregående trin, skal erstattes med 'PORT_NUMBER' (f.eks.: http://localhost:7000 ).
Trin 7: Stop MLflow-serveren
Når du bruger MLflow til at logge parametrene, spore eksperimenterne og undersøge resultaterne ved hjælp af web-UI, skal du huske på, at MLflow-serveren skal fungere.
For at stoppe MLflow-serverens udførelse skal du trykke på 'Ctrl + C' i kommandoprompten eller PowerShell, hvor serveren kører. Her er skærmen, der viser, at driften af serveren blev stoppet.
Konklusion
Med MLflow kan slutbrugeren administrere flere maskinlæringsprojekter med en robust og enkel ramme, der gør det muligt at spore og sammenligne eksperimenterne, replikere resultaterne og arbejde med succes med teammedlemmerne for at koncentrere sig om at skabe og forbedre maskinlæringsmodellerne, mens holde eksperimenterne strukturerede og gentagelige ved hjælp af MLflow.