Instalarea MLflow: O instrucțiune pas cu pas despre instalarea MLflow

Pasul 1: Instalarea Python

Python trebuie instalat pe un computer care funcționează înainte de a continua, deoarece este o condiție prealabilă pentru scrierea codului în MLflow. Instalați cea mai recentă versiune a lui Python pe laptop sau computer, descarcând-o de pe site-ul oficial. Înainte de a începe instalarea, citiți cu atenție instrucțiunile. Asigurați-vă că adăugați Python la calea sistemului în timpul instalării.

Verificați instalarea Python

Pentru a vă asigura că Python a fost instalat cu succes pe computerul personal, deschideți promptul de comandă (în Windows) sau terminalul (în Linux), introduceți comanda Python și apăsați butonul „Enter”. După executarea cu succes a comenzii, sistemul de operare afișează versiunea Python în fereastra terminalului. În următorul exemplu, versiunea Python 3.11.1 este instalată pe computerul specificat, așa cum se arată în următorul fragment:

Pasul 2: Configurați un mediu virtual

Crearea unui mediu virtual pentru a separa dependențele MLflow de pachetele personale Python la nivel de sistem este o abordare excelentă. Deși nu este necesar, se recomandă insistent configurarea unui mediu virtual privat pentru MLflow. Pentru a face acest lucru, deschideți linia de comandă și accesați directorul de proiect la care doriți să lucrați. Pentru a naviga la directorul Python care se află în folderul „Work” de pe unitatea D în timp ce folosim Windows. Pentru a construi un mediu virtual, executați comanda următoare:

Comanda menționată mai sus folosește Python și acceptă comutatorul -m (Face) pentru a crea un mediu virtual în directorul curent. „Venv” se referă la mediul virtual, iar numele mediului este apoi urmat de „MLFlow-ENV” în acest exemplu. Mediul virtual este creat cu utilizarea acestei comenzi, așa cum este prezentat în următorul fragment:

Dacă mediul virtual este creat cu succes, putem verifica „Directorul de lucru” pentru a observa că comanda menționată anterior a produs folderul „MLFlow-ENV” care are alte trei directoare cu următoarele nume:

• Include
• Lib
• Scripturi

După ce ați folosit comanda menționată mai sus, iată cum arată structura de directoare a folderului Python - a produs un mediu virtual, așa cum este enumerat mai jos:

Pasul 3: Activați Mediul Virtual

În acest pas, activăm mediul virtual cu ajutorul unui fișier batch care se află în interiorul folderului „Scripts”. Următoarea captură de ecran demonstrează că mediul virtual este operațional după o activare cu succes:

Pasul 4: Instalarea MLflow

Acum, este timpul să instalați MLflow. După activarea mediului virtual (dacă ați optat pentru a crea unul), instalați MLflow folosind comanda pip, după cum urmează:

Următorul fragment arată că instalarea MLflow descarcă fișierele necesare de pe internet și le instalează în mediul virtual:

MLflow va dura ceva timp, în funcție de viteza internetului. Următorul ecran demonstrează finalizarea cu succes a instalării MLflow.

Ultima linie a fragmentului indică faptul că cea mai recentă versiune de pip este disponibilă acum; depinde de utilizatorul final dacă să actualizeze sau nu pip. Versiunea pip-ului instalat este afișată în culoarea roșie „22.3.1”. Deoarece actualizăm pip-ul la versiunea 23.2.1, introduceți următoarea comandă listată pentru a finaliza actualizarea:

Următorul ecran arată actualizarea cu succes a pip la cea mai recentă versiune 23.2.1:

Pasul 5: Confirmați instalarea MLflow

Verificarea instalării MLflow este pasul final, dar esențial. Este timpul să confirmați dacă instalarea MLflow a reușit sau nu. Pentru a verifica versiunea MLflow care este instalată în prezent pe computer, executați următoarea comandă dată:

Următorul fragment arată că versiunea 2.5.0 a MLflow este instalată pe mașina de lucru:

Pasul 6: Porniți serverul MLflow (pas opțional)

Rulați comanda ulterioară pentru a lansa serverul MLflow, astfel încât interfața de utilizator web să fie disponibilă:

Următorul ecran demonstrează că serverul funcționează la localhost (127.0.0.1) și portul 5000:

Serverul va funcționa în mod implicit la pictograma 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 (+) de lângă „Experimente” pentru a adăuga experimente suplimentare utilizând interfața web. Iată o captură de ecran a interfeței de utilizare web a serverului MLflow:

Cum se schimbă portul serverului

Serverul MLflow operează de obicei pe portul 5000. Totuși, portul poate fi comutat la numărul preferat. Urmați aceste instrucțiuni pentru a lansa serverul MLflow pe un anumit port:

Deschideți linia de comandă, PowerShell sau fereastra Terminal.
Apăsați tasta Windows de la tastatură. Apoi, apăsați „cmd” sau „powershell” și eliberați tasta.
Porniți mediul virtual în care este instalat MLflow (presupunând că a creat unul).
Înlocuiți PORT_NUMBER cu numărul portului dorit când porniți serverul MLflow:

server mlflow –port PORT_NUMBER

Rulați mlflow-server-7000 ca demonstrație pentru a lansa serverul MLflow pe portul necesar:

Acum, portul desemnat va fi folosit de serverul MLflow prin lansarea aplicației browser web și introducerea următoarei adrese URL pentru a accesa interfața de utilizare web Mlflow. Înlocuiți PORT_NUMBER cu numărul de port obligatoriu:

http://localhost:PORT_NUMBER

Portul care este selectat la pasul precedent trebuie înlocuit cu „PORT_NUMBER” (de exemplu: http://localhost:7000 ).

Pasul 7: Opriți serverul MLflow

Când utilizați MLflow pentru a înregistra parametrii, pentru a urmări experimentele și pentru a examina rezultatele utilizând interfața de utilizare web, rețineți că serverul MLflow trebuie să funcționeze.

Pentru a opri execuția serverului MLflow, apăsați „Ctrl + C” în linia de comandă sau PowerShell unde rulează serverul. Iată ecranul care arată că funcționarea serverului a fost oprită cu succes.

Concluzie

Cu MLflow, utilizatorul final poate gestiona mai multe proiecte de învățare automată cu un cadru robust și simplu care permite să urmărească și să compare experimentele, să reproducă rezultatele și să lucreze cu succes cu membrii echipei pentru a se concentra pe crearea și îmbunătățirea modelelor de învățare automată în timp ce menținând experimentele structurate și repetabile cu ajutorul MLflow.