Стъпка 1: Инсталиране на Python
Python трябва да бъде инсталиран на работещ компютър, преди да продължите, защото това е предпоставка за писане на кода в MLflow. Инсталирайте най-новата версия на Python на лаптопа или компютъра, като я изтеглите от официалния уебсайт. Преди да започнете инсталацията, прочетете внимателно инструкциите. Не забравяйте да добавите Python към системния PATH по време на инсталацията.
Проверете инсталацията на Python
За да се уверите, че Python е инсталиран успешно на персоналния компютър, отворете командния ред (в Windows) или терминал (в Linux), въведете командата на Python и натиснете бутона „Enter“. След успешното изпълнение на командата, операционната система показва версията на Python в прозореца на терминала. В следващия пример версията Python 3.11.1 е инсталирана на посочения компютър, както е показано в следния фрагмент:
Стъпка 2: Настройте виртуална среда
Създаването на виртуална среда за отделяне на зависимостите на MLflow от личните системни Python пакети е отличен подход. Въпреки че не е задължително, силно се препоръчва настройка на частна виртуална среда за MLflow. За да направите това, отворете командния ред и отидете в директорията на проекта, върху който искате да работите. За да отидете до директорията на Python, която е в папката „Работа“ на D устройството, тъй като използваме Windows. За да изградите виртуална среда, изпълнете следната команда:
python –m venv MLFlow-ENV
Гореспоменатата команда използва Python и приема превключвателя -m (Make), за да създаде виртуална среда в текущата директория. „Venv“ се отнася до виртуалната среда и името на средата е последвано от „MLFlow-ENV“ в този пример. Виртуалната среда се създава с помощта на тази команда, както е дадено в следния фрагмент:
Ако виртуалната среда е създадена успешно, можем да проверим „Работната директория“, за да видим, че споменатата по-горе команда създаде папката „MLFlow-ENV“, която има три допълнителни директории със следните имена:
- Включете
- Lib
- Скриптове
След като използвате гореспоменатата команда, ето как изглежда структурата на директорията на папката на Python - тя създаде виртуална среда, както е посочено по-долу:
Стъпка 3: Активирайте виртуалната среда
В тази стъпка активираме виртуалната среда с помощта на пакетен файл, който се намира в папката „Скриптове“. Следната екранна снимка показва, че виртуалната среда работи след успешно активиране:
Стъпка 4: Инсталиране на MLflow
Сега е време да инсталирате MLflow. След като активирате виртуалната среда (ако сте избрали да създадете такава), инсталирайте MLflow с помощта на командата pip, както следва:
pip инсталирайте mlflowСледният фрагмент показва, че инсталацията на MLflow изтегля необходимите файлове от интернет и ги инсталира във виртуалната среда:
MLflow ще отнеме известно време в зависимост от скоростта на интернет. Следният екран демонстрира успешното завършване на инсталацията на MLflow.
Последният ред на фрагмента показва, че най-новата версия на pip е налична сега; зависи от крайния потребител дали да актуализира pip или не. Версията на инсталирания pip се показва в червен цвят „22.3.1“. Тъй като надграждаме pip до версия 23.2.1, въведете следната команда, за да завършите актуализацията:
питон. екз –m pip install --upgrade pipСледният екран показва успешното надграждане на pip до най-новата версия 23.2.1:
Стъпка 5: Потвърдете инсталацията на MLflow
Проверката на инсталацията на MLflow е последната, но съществена стъпка. Време е да потвърдите дали инсталацията на MLflow е успешна или не. За да проверите версията на MLflow, която в момента е инсталирана на компютъра, изпълнете следната команда:
mlflow --версияСледният фрагмент показва, че версията 2.5.0 на MLflow е инсталирана на работната машина:
Стъпка 6: Стартирайте сървъра MLflow (незадължителна стъпка)
Изпълнете следващата команда, за да стартирате сървъра MLflow, така че уеб потребителският интерфейс да бъде достъпен:
mlflow сървърСледният екран показва, че сървърът работи на локален хост (127.0.0.1) и порт 5000:
Сървърът ще работи по подразбиране при 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 (+) икона до „Експерименти“, за да добавите допълнителни експерименти с помощта на уеб интерфейса. Ето екранна снимка на уеб интерфейса на сървъра MLflow:
Как да промените порта на сървъра
Сървърът MLflow обикновено работи на порт 5000. Портът обаче може да бъде превключен на предпочитания номер. Следвайте тези инструкции, за да стартирате сървъра MLflow на определен порт:
Отворете командния ред, PowerShell или прозореца на терминала.
Натиснете клавиша Windows от клавиатурата. След това натиснете „cmd“ или „powershell“ и отпуснете клавиша.
Включете виртуалната среда, където е инсталиран MLflow (ако приемем, че е направил такава).
Заменете PORT_NUMBER с желания номер на порт, когато стартирате MLflow сървъра:
mlflow сървър – порт PORT_NUMBER
Стартирайте mlflow-server-7000 като демонстрация, за да стартирате MLflow сървъра на необходимия порт:
mlflow сървър --порт 7000Сега посоченият порт ще се използва от сървъра MLflow чрез стартиране на приложението за уеб браузър и въвеждане на следния URL адрес за достъп до уеб интерфейса на Mlflow. Заменете PORT_NUMBER със задължителния номер на порт:
http://localhost:PORT_NUMBER
Портът, който е избран в предходната стъпка, трябва да бъде заменен с „PORT_NUMBER“ (например: http://localhost:7000 ).
Стъпка 7: Спрете сървъра MLflow
Когато използвате MLflow за регистриране на параметрите, проследяване на експериментите и изследване на резултатите с помощта на уеб потребителския интерфейс, имайте предвид, че сървърът MLflow трябва да работи.
За да спрете изпълнението на MLflow сървъра, натиснете „Ctrl + C“ в командния ред или PowerShell, където сървърът работи. Ето екрана, който показва, че работата на сървъра е спряна успешно.
Заключение
С MLflow крайният потребител може да управлява множество проекти за машинно обучение със стабилна и проста рамка, която позволява проследяване и сравняване на експериментите, възпроизвеждане на резултатите и работа успешно с членовете на екипа, за да се концентрират върху създаването и подобряването на моделите за машинно обучение, докато поддържане на експериментите структурирани и повторими с помощта на MLflow.