Inštalácia MLflow: Návod na inštaláciu MLflow krok za krokom

Krok 1: Inštalácia Pythonu

Pred pokračovaním musí byť Python nainštalovaný na funkčnom počítači, pretože je nevyhnutný na písanie kódu v MLflow. Nainštalujte si najnovšiu verziu Pythonu na prenosný počítač alebo počítač stiahnutím z oficiálnej webovej stránky. Pred začatím inštalácie si pozorne prečítajte pokyny. Počas inštalácie nezabudnite pridať Python do systémovej PATH.

Overte inštaláciu Pythonu

Aby ste sa uistili, že Python bol úspešne nainštalovaný na osobnom počítači, otvorte príkazový riadok (v systéme Windows) alebo terminál (v systéme Linux), zadajte príkaz Python a stlačte tlačidlo „Enter“. Po úspešnom vykonaní príkazu operačný systém zobrazí verziu Pythonu v okne terminálu. V nasledujúcom príklade je verzia Pythonu 3.11.1 nainštalovaná na zadanom počítači, ako je znázornené v nasledujúcom úryvku:

Krok 2: Nastavte virtuálne prostredie

Vytvorenie virtuálneho prostredia na oddelenie závislostí MLflow od osobných balíkov Pythonu pre celý systém je vynikajúci prístup. Aj keď sa to nevyžaduje, dôrazne sa odporúča nastaviť súkromné ​​virtuálne prostredie pre MLflow. Ak to chcete urobiť, otvorte príkazový riadok a prejdite do adresára projektu, na ktorom chcete pracovať. Ak chcete prejsť do adresára Python, ktorý sa nachádza v priečinku „Work“ na jednotke D, keď používame systém Windows. Ak chcete vytvoriť virtuálne prostredie, vykonajte nasledujúci príkaz:

Vyššie uvedený príkaz používa Python a akceptuje prepínač -m (Make) na vytvorenie virtuálneho prostredia v aktuálnom adresári. „venv“ odkazuje na virtuálne prostredie a za názvom prostredia potom v tomto príklade nasleduje „MLFlow-ENV“. Virtuálne prostredie sa vytvorí pomocou tohto príkazu, ako je uvedené v nasledujúcom úryvku:

Ak je virtuálne prostredie úspešne vytvorené, môžeme skontrolovať „Pracovný adresár“, aby sme zistili, že predtým uvedený príkaz vytvoril priečinok „MLFlow-ENV“, ktorý má tri ďalšie adresáre s nasledujúcimi názvami:

• Zahrnúť
• Lib
• Skriptá

Po použití vyššie uvedeného príkazu vyzerá adresárová štruktúra priečinka Python takto - vytvorilo virtuálne prostredie, ako je uvedené nižšie:

Krok 3: Aktivujte virtuálne prostredie

V tomto kroku aktivujeme virtuálne prostredie pomocou dávkového súboru, ktorý sa nachádza v priečinku „Scripts“. Nasledujúca snímka obrazovky ukazuje, že virtuálne prostredie je funkčné po úspešnej aktivácii:

Krok 4: Inštalácia MLflow

Teraz je čas nainštalovať MLflow. Po aktivácii virtuálneho prostredia (ak ste sa rozhodli ho vytvoriť) nainštalujte MLflow pomocou príkazu pip takto:

Nasledujúci úryvok ukazuje, že inštalácia MLflow sťahuje požadované súbory z internetu a inštaluje ich do virtuálneho prostredia:

MLflow bude nejaký čas trvať v závislosti od rýchlosti internetu. Nasledujúca obrazovka ukazuje úspešné dokončenie inštalácie MLflow.

Posledný riadok úryvku označuje, že najnovšia verzia pipu je teraz k dispozícii; je na koncovom užívateľovi, či pip aktualizuje alebo nie. Verzia nainštalovaného pipu je zobrazená červenou farbou „22.3.1“. Keďže inovujeme pip na verziu 23.2.1, dokončite aktualizáciu zadaním nasledujúceho uvedeného príkazu:

Nasledujúca obrazovka zobrazuje úspešnú aktualizáciu pipu na najnovšiu verziu 23.2.1:

Krok 5: Potvrďte inštaláciu MLflow

Overenie inštalácie MLflow je posledným, ale nevyhnutným krokom. Je čas potvrdiť, či je inštalácia MLflow úspešná alebo nie. Ak chcete skontrolovať verziu MLflow, ktorá je aktuálne nainštalovaná v počítači, spustite nasledujúci príkaz:

Nasledujúci úryvok zobrazuje, že na pracovnom počítači je nainštalovaná verzia MLflow 2.5.0:

Krok 6: Spustite server MLflow (voliteľný krok)

Spustite nasledujúci príkaz na spustenie servera MLflow, aby bolo k dispozícii webové používateľské rozhranie:

Nasledujúca obrazovka ukazuje, že server funguje na localhost (127.0.0.1) a port 5000:

Server bude štandardne fungovať s ikonou 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 (+) vedľa položky „Experimenty“, aby ste mohli pridať ďalšie experimenty pomocou webového rozhrania. Tu je snímka obrazovky webového používateľského rozhrania servera MLflow:

Ako zmeniť port servera

Server MLflow zvyčajne pracuje na porte 5000. Port je však možné prepnúť na preferované číslo. Ak chcete spustiť server MLflow na konkrétnom porte, postupujte podľa týchto pokynov:

Otvorte okno príkazového riadka, prostredia PowerShell alebo terminálu.
Stlačte kláves Windows na klávesnici. Potom stlačte „cmd“ alebo „powershell“ a uvoľnite kláves.
Zapnite virtuálne prostredie, kde je nainštalovaný MLflow (za predpokladu, že ho vytvoril).
Pri spúšťaní servera MLflow nahraďte PORT_NUMBER požadovaným číslom portu:

server mlflow – port PORT_NUMBER

Spustite mlflow-server-7000 ako demo na spustenie servera MLflow na požadovanom porte:

Teraz bude určený port použitý serverom MLflow spustením aplikácie webového prehliadača a zadaním nasledujúcej adresy URL na prístup k webovému používateľskému rozhraniu Mlflow. Nahraďte číslo PORT_NUMBER povinným číslom portu:

http://localhost:PORT_NUMBER

Port, ktorý ste vybrali v predchádzajúcom kroku, by sa mal nahradiť „PORT_NUMBER“ (napríklad: http://localhost:7000 ).

Krok 7: Zastavte server MLflow

Keď používate MLflow na zaznamenávanie parametrov, sledovanie experimentov a skúmanie výsledkov pomocou webového používateľského rozhrania, majte na pamäti, že server MLflow musí fungovať.

Ak chcete zastaviť spustenie servera MLflow, stlačte „Ctrl + C“ v príkazovom riadku alebo v PowerShell, kde je server spustený. Tu je obrazovka ukazujúca, že práca servera bola úspešne zastavená.

Záver

S MLflow môže koncový používateľ spravovať viacero projektov strojového učenia pomocou robustného a jednoduchého rámca, ktorý umožňuje sledovať a porovnávať experimenty, replikovať výsledky a úspešne spolupracovať s členmi tímu, aby sa mohli sústrediť na vytváranie a zlepšovanie modelov strojového učenia. udržiavanie štruktúrovaných a opakovateľných experimentov pomocou MLflow.