- tocdepth
2
Подключиться к MLflow и провести эксперимент
Эксперименты с ML-моделями позволяют фиксировать и сравнивать запуски обучения моделей с разными параметрами, результаты обучения и выходные метрики.
На платформе ML Space управлять экспериментами возможно с помощью утилиты MLflow.
Примечание
Для работы с MLflow рекомендуем использовать образ jupyter server версии 0.0.96 и выше.
Существует несколько способов для подключения.
Способ 1
Перейдите в
Создайте или подключитесь к уже существующему Jupyter Server.
На странице New Launcher выберите MLflow.
В открывшемся окне укажите требуемые настройки.
Подробнее — в документации MLflow.
Способ 2
Проверьте, что создан создан хотя бы один Jupyter Server. Если сервер отсутствует, создайте его (см. Создать Jupyter Server и подключиться к нему через интерфейс ML Space).
Перейдите в . Если создано несколько Jupyter Server, то, когда вы переходите на указанную вкладку, утилита открывается на ресурсах первого по списку Jupyter Server.
Запуск MLflow может занимать до 60 секунд.
Экземпляр MLflow работает на тех же ресурсах, что и Jupyter Server. MLflow перестанет отображаться в разделе Эксперименты, если удалить все Jupyter Server.
Примечание
Не рекомендуется обновлять MLflow.
Если вы обновили MLflow, и обновление прошло некорректно, необходимо:
Удалить каталог
/home/jovyan/.localкомандой:rm -r .local
Заново создать Jupyter Server.
Сохранить эксперимент в MLflow
Чтобы использовать MLflow:
Оберните код обучения модели в точке входа скрипта (
if __name__ == "__main__") в конструкцию:with mlflow.start_run():
Настройте логируемые в MLflow параметры, метрики и модель. См. подробнее в примере на Github.
mlflow.log_param(..) mlflow.log_metric(..) mlflow.sklearn.log_model(..)
Все эксперименты и артефакты, созданные утилитой и моделью, можно найти в интерфейсе утилиты.
Примечание
Не рекомендуется удалять файлы в каталоге mlflow.
Это может вызывать проблемы при запуске MLflow.
для Dev & Test