Instalace MLflow: Pokyny k instalaci MLflow krok za krokem

Krok 1: Instalace Pythonu

Python musí být nainstalován na funkčním počítači, než budete pokračovat, protože je nezbytným předpokladem pro psaní kódu v MLflow. Nainstalujte nejnovější verzi Pythonu do notebooku nebo počítače jejím stažením z oficiálních webových stránek. Před zahájením instalace si pozorně přečtěte pokyny. Během instalace nezapomeňte přidat Python do systémové PATH.

Ověřte instalaci Pythonu

Chcete-li se ujistit, že Python byl úspěšně nainstalován na osobním počítači, otevřete příkazový řádek (ve Windows) nebo terminál (v Linuxu), zadejte příkaz Python a stiskněte tlačítko „Enter“. Po úspěšném provedení příkazu operační systém zobrazí verzi Pythonu v okně terminálu. V následujícím příkladu je verze Pythonu 3.11.1 nainstalována na zadaném počítači, jak je znázorněno na následujícím úryvku:

Krok 2: Nastavte virtuální prostředí

Vytvoření virtuálního prostředí pro oddělení závislostí MLflow od osobních celosystémových balíčků Pythonu je vynikající přístup. Ačkoli to není vyžadováno, důrazně se doporučuje nastavení soukromého virtuálního prostředí pro MLflow. Chcete-li to provést, otevřete příkazový řádek a přejděte do adresáře projektu, se kterým chcete pracovat. Chcete-li přejít do adresáře Python, který je ve složce „Work“ na disku D, když používáme Windows. Chcete-li vytvořit virtuální prostředí, spusťte následující příkaz:

Výše uvedený příkaz používá Python a přijímá přepínač -m (Make) k vytvoření virtuálního prostředí v aktuálním adresáři. „venv“ odkazuje na virtuální prostředí a za názvem prostředí pak v tomto příkladu následuje „MLFlow-ENV“. Virtuální prostředí je vytvořeno pomocí tohoto příkazu, jak je uvedeno v následujícím úryvku:

Pokud je virtuální prostředí úspěšně vytvořeno, můžeme zkontrolovat „Working directory“ a zjistit, že dříve zmíněný příkaz vytvořil složku „MLFlow-ENV“, která má tři další adresáře s následujícími názvy:

• Zahrnout
• Lib
• Skripty

Po použití výše uvedeného příkazu vypadá adresářová struktura složky Python takto – vytvořilo virtuální prostředí, jak je uvedeno níže:

Krok 3: Aktivujte virtuální prostředí

V tomto kroku aktivujeme virtuální prostředí pomocí dávkového souboru, který se nachází ve složce „Scripts“. Následující snímek obrazovky ukazuje, že virtuální prostředí je po úspěšné aktivaci funkční:

Krok 4: Instalace MLflow

Nyní je čas nainstalovat MLflow. Po aktivaci virtuálního prostředí (pokud jste se rozhodli nějaké vytvořit), nainstalujte MLflow pomocí příkazu pip následovně:

Následující úryvek ukazuje, že instalace MLflow stahuje požadované soubory z internetu a instaluje je do virtuálního prostředí:

MLflow bude nějakou dobu trvat v závislosti na rychlosti internetu. Následující obrazovka ukazuje úspěšné dokončení instalace MLflow.

Poslední řádek úryvku označuje, že nejnovější verze pipu je nyní k dispozici; je na koncovém uživateli, zda bude pip aktualizovat nebo ne. Verze nainstalovaného pipu je zobrazena červenou barvou „22.3.1“. Protože upgradujeme pip na verzi 23.2.1, dokončete aktualizaci zadáním následujícího uvedeného příkazu:

Následující obrazovka ukazuje úspěšný upgrade pipu na nejnovější verzi 23.2.1:

Krok 5: Potvrďte instalaci MLflow

Ověření instalace MLflow je posledním, ale zásadním krokem. Je čas potvrdit, zda je instalace MLflow úspěšná nebo ne. Chcete-li zkontrolovat verzi MLflow, která je aktuálně nainstalována v počítači, spusťte následující příkaz:

Následující úryvek ukazuje, že na pracovním počítači je nainstalována verze 2.5.0 MLflow:

Krok 6: Spusťte server MLflow (volitelný krok)

Spusťte následující příkaz pro spuštění serveru MLflow, aby bylo k dispozici webové uživatelské rozhraní:

Následující obrazovka ukazuje, že server pracuje na localhost (127.0.0.1) a portu 5000:

Server bude ve výchozím nastavení fungovat 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 (+) vedle položky „Experimenty“ pro přidání dalších experimentů pomocí webového rozhraní. Zde je snímek obrazovky webového uživatelského rozhraní serveru MLflow:

Jak změnit port serveru

Server MLflow obvykle pracuje na portu 5000. Port však lze přepnout na preferované číslo. Chcete-li spustit server MLflow na konkrétním portu, postupujte podle těchto pokynů:

Otevřete okno příkazového řádku, prostředí PowerShell nebo terminálu.
Stiskněte klávesu Windows na klávesnici. Poté stiskněte „cmd“ nebo „powershell“ a uvolněte klávesu.
Zapněte virtuální prostředí, kde je nainstalován MLflow (za předpokladu, že je vytvořil).
Při spouštění serveru MLflow nahraďte PORT_NUMBER požadovaným číslem portu:

mlflow server – port PORT_NUMBER

Spusťte mlflow-server-7000 jako demo ke spuštění serveru MLflow na požadovaném portu:

Nyní bude určený port používán serverem MLflow spuštěním aplikace webového prohlížeče a zadáním následující adresy URL pro přístup k webovému uživatelskému rozhraní Mlflow. Nahraďte PORT_NUMBER povinným číslem portu:

http://localhost:PORT_NUMBER

Port, který jste vybrali v předchozím kroku, by měl být nahrazen portem „PORT_NUMBER“ (například: http://localhost:7000 ).

Krok 7: Zastavte server MLflow

Když používáte MLflow k protokolování parametrů, sledování experimentů a zkoumání výsledků pomocí webového uživatelského rozhraní, mějte na paměti, že server MLflow musí fungovat.

Chcete-li zastavit provádění serveru MLflow, stiskněte „Ctrl + C“ v příkazovém řádku nebo PowerShell, kde server běží. Zde je obrazovka ukazující, že práce serveru byla úspěšně zastavena.

Závěr

S MLflow může koncový uživatel spravovat více projektů strojového učení pomocí robustního a jednoduchého rámce, který umožňuje sledovat a porovnávat experimenty, replikovat výsledky a úspěšně pracovat s členy týmu, aby se mohli soustředit na vytváření a zlepšování modelů strojového učení. udržování strukturovaných a opakovatelných experimentů pomocí MLflow.