Pas 1: instal·lació de Python
Python s'ha d'instal·lar en un ordinador que funcioni abans de continuar perquè és un requisit previ per escriure el codi a MLflow. Instal·leu la versió més recent de Python al portàtil o a l'ordinador baixant-la des del lloc web oficial. Abans de començar la instal·lació, llegiu atentament les instruccions. Assegureu-vos d'afegir Python al PATH del sistema durant la instal·lació.
Verifiqueu la instal·lació de Python
Per assegurar-vos que Python s'ha instal·lat correctament a l'ordinador personal, obriu l'indicador d'ordres (a Windows) o el terminal (a Linux), introduïu l'ordre Python i premeu el botó 'Enter'. Després de l'execució correcta de l'ordre, el sistema operatiu mostra la versió de Python a la finestra del terminal. A l'exemple següent, la versió de Python 3.11.1 s'instal·la a l'ordinador especificat, tal com es mostra al fragment següent:
Pas 2: configureu un entorn virtual
Fer un entorn virtual per separar les dependències MLflow dels paquets personals de Python a tot el sistema és un enfocament excel·lent. Tot i que no és necessari, es recomana configurar un entorn virtual privat per a MLflow. Per fer-ho, obriu la línia d'ordres i aneu al directori del projecte en què voleu treballar. Per anar al directori Python que es troba dins de la carpeta 'Treball' a la unitat D mentre estem utilitzant Windows. Per crear un entorn virtual, executeu l'ordre següent:
python –m venv MLFlow-ENV
L'ordre esmentada utilitza Python i accepta el commutador -m (Fes) per crear un entorn virtual al directori actual. El 'venv' fa referència a l'entorn virtual, i el nom de l'entorn va seguit de 'MLFlow-ENV' en aquest exemple. L'entorn virtual es crea amb l'ús d'aquesta ordre tal com es mostra al fragment següent:
Si l'entorn virtual es crea correctament, podríem comprovar el 'Directori de treball' per observar que l'ordre esmentada anteriorment va produir la carpeta 'MLFlow-ENV' que té tres directoris més amb els noms següents:
- Incloure
- Lib
- Guions
Després d'utilitzar l'ordre esmentada anteriorment, aquí es mostra l'estructura de directoris de la carpeta Python: va produir un entorn virtual tal com s'indica a continuació:
Pas 3: activa l'entorn virtual
En aquest pas, activem l'entorn virtual amb l'ajuda d'un fitxer per lots que es troba dins de la carpeta 'Scripts'. La captura de pantalla següent demostra que l'entorn virtual està operatiu després d'una activació correcta:
Pas 4: instal·lació de MLflow
Ara és el moment d'instal·lar MLflow. Després d'activar l'entorn virtual (si heu optat per crear-ne un), instal·leu MLflow mitjançant l'ordre pip de la següent manera:
pip instal·lar mlflowEl fragment següent mostra que la instal·lació de MLflow està baixant els fitxers necessaris d'Internet i instal·lant-los a l'entorn virtual:
L'MLflow trigarà un temps, depenent de la velocitat d'Internet. La pantalla següent mostra la finalització correcta de la instal·lació de MLflow.
L'última línia del fragment indica que la versió més recent de pip està disponible ara; depèn de l'usuari final si actualitzar pip o no. La versió del pip instal·lat es mostra en color vermell '22.3.1'. Com que estem actualitzant el pip a la versió 23.2.1, introduïu l'ordre següent per completar l'actualització:
pitó. exe –m pip install --upgrade pipLa pantalla següent mostra l'actualització correcta de pip a la darrera versió 23.2.1:
Pas 5: confirmeu la instal·lació de MLflow
Verificar la instal·lació de MLflow és el pas final però essencial. És hora de confirmar si la instal·lació de MLflow té èxit o no. Per comprovar la versió de MLflow que està instal·lada actualment al PC, executeu l'ordre següent:
mlflow --versióEl fragment següent mostra que la versió 2.5.0 d'MLflow està instal·lada a la màquina de treball:
Pas 6: inicieu el servidor MLflow (pas opcional)
Executeu l'ordre següent per iniciar el servidor MLflow de manera que la interfície d'usuari web estigui disponible:
servidor mlflowLa pantalla següent demostra que el servidor està funcionant al localhost (127.0.0.1) i al port 5000:
El servidor funcionarà de manera predeterminada a la icona 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 (+) al costat de 'Experiments' per afegir els experiments addicionals mitjançant la interfície web. Aquí teniu una captura de pantalla de la interfície d'usuari web del servidor MLflow:
Com canviar el port del servidor
El servidor MLflow normalment funciona al port 5000. Tanmateix, el port es pot canviar al número preferit. Seguiu aquestes instruccions per iniciar el servidor MLflow en un port específic:
Obriu el símbol del sistema, el PowerShell o la finestra del terminal.
Premeu la tecla Windows des del teclat. A continuació, premeu 'cmd' o 'powershell' i deixeu anar la tecla.
Enceneu l'entorn virtual on està instal·lat MLflow (suposant que n'hagi fet un).
Substituïu el PORT_NUMBER pel número de port desitjat quan inicieu el servidor MLflow:
servidor mlflow –port PORT_NUMBER
Executeu el mlflow-server-7000 com a demostració per llançar el servidor MLflow al port necessari:
servidor mlflow --port 7000Ara, el servidor MLflow utilitzarà el port designat iniciant l'aplicació del navegador web i introduint l'URL següent per accedir a la interfície d'usuari web de Mlflow. Substituïu el PORT_NUMBER pel número de port obligatori:
http://localhost:PORT_NUMBER
El port seleccionat al pas anterior s'ha de substituir per 'PORT_NUMBER' (per exemple: http://localhost:7000 ).
Pas 7: Atureu el servidor MLflow
Quan utilitzeu MLflow per registrar els paràmetres, fer un seguiment dels experiments i examinar els resultats mitjançant la interfície d'usuari web, tingueu en compte que el servidor MLflow ha d'estar en funcionament.
Per aturar l'execució del servidor MLflow, premeu 'Ctrl + C' al símbol del sistema o al PowerShell on s'executa el servidor. Aquí teniu la pantalla que mostra que el funcionament del servidor s'ha aturat correctament.
Conclusió
Amb MLflow, l'usuari final pot gestionar diversos projectes d'aprenentatge automàtic amb un marc robust i senzill que permet fer un seguiment i comparar els experiments, replicar els resultats i treballar amb èxit amb els membres de l'equip per concentrar-se a crear i millorar els models d'aprenentatge automàtic mentre mantenint els experiments estructurats i repetibles amb l'ajuda de MLflow.