Az MLflow telepítése: Lépésről lépésre szóló utasítás az MLflow telepítéséhez

1. lépés: A Python telepítése

A Pythont telepíteni kell egy működő számítógépre a folytatás előtt, mert ez előfeltétele a kód MLflow-ban történő megírásának. Telepítse a Python legújabb verzióját laptopjára vagy számítógépére úgy, hogy letölti a hivatalos webhelyről. A telepítés megkezdése előtt figyelmesen olvassa el az utasításokat. A telepítés során feltétlenül adja hozzá a Python-t a rendszer PATH-hoz.

Ellenőrizze a Python telepítését

Ha meg szeretné győződni arról, hogy a Python telepítése sikeresen megtörtént a személyi számítógépen, nyissa meg a parancssort (Windows alatt) vagy a terminált (Linux alatt), írja be a Python parancsot, és nyomja meg az „Enter” gombot. A parancs sikeres végrehajtása után az operációs rendszer megjeleníti a Python verziót a terminál ablakában. A következő példában a Python 3.11.1-es verziója telepítve van a megadott számítógépre, ahogy az a következő részletben látható:

2. lépés: Állítson be egy virtuális környezetet

Kiváló megközelítés egy virtuális környezet létrehozása az MLflow függőségek és a személyes rendszerszintű Python-csomagok elkülönítésére. Bár ez nem kötelező, erősen javasolt egy privát virtuális környezet létrehozása az MLflow számára. Ehhez nyissa meg a parancssort, és lépjen arra a projektkönyvtárra, amelyen dolgozni szeretne. A Python-könyvtárba való navigáláshoz, amely a D-meghajtó „Munka” mappájában található, mivel mi Windows-t használunk. Virtuális környezet létrehozásához hajtsa végre a következő parancsot:

A fent említett parancs Pythont használ, és elfogadja a -m (Make) kapcsolót, hogy virtuális környezetet hozzon létre az aktuális könyvtárban. A „venv” a virtuális környezetre utal, és a környezet nevét ebben a példában az „MLFlow-ENV” követi. A virtuális környezet ennek a parancsnak a használatával jön létre, a következő részletben leírtak szerint:

Ha a virtuális környezet sikeresen létrejött, ellenőrizhetjük a „Munkakönyvtárat”, hogy megbizonyosodjunk arról, hogy a korábban említett parancs létrehozta az „MLFlow-ENV” mappát, amely három további könyvtárat tartalmaz a következő nevekkel:

• Tartalmazza
• Lib
• Szkriptek

A fent említett parancs használata után így néz ki a Python mappa könyvtárszerkezete – a következőkben felsorolt ​​virtuális környezetet hozott létre:

3. lépés: Aktiválja a virtuális környezetet

Ebben a lépésben aktiváljuk a virtuális környezetet egy kötegfájl segítségével, amely a „Scripts” mappában található. Az alábbi képernyőkép azt mutatja, hogy a virtuális környezet működőképes a sikeres aktiválás után:

4. lépés: Az MLflow telepítése

Most itt az ideje telepíteni az MLflow-t. A virtuális környezet aktiválása után (ha úgy döntött, hogy létrehoz egyet), telepítse az MLflow-t a pip paranccsal az alábbiak szerint:

A következő részlet azt mutatja, hogy az MLflow telepítése letölti a szükséges fájlokat az internetről, és telepíti azokat a virtuális környezetbe:

Az MLflow eltart egy ideig, az internet sebességétől függően. A következő képernyő az MLflow telepítés sikeres befejezését mutatja be.

A részlet utolsó sora azt jelzi, hogy a pip legújabb verziója már elérhető; a végfelhasználón múlik, hogy frissíti-e a pip-et vagy sem. A telepített pip verziója piros színnel jelenik meg „22.3.1”. Mivel a pip-et a 23.2.1-es verzióra frissítjük, a frissítés befejezéséhez írja be a következő parancsot:

A következő képernyő a pip sikeres frissítését mutatja a legújabb 23.2.1-es verzióra:

5. lépés: Erősítse meg az MLflow telepítését

Az MLflow telepítésének ellenőrzése az utolsó, de elengedhetetlen lépés. Ideje ellenőrizni, hogy az MLflow telepítés sikeres volt-e vagy sem. A számítógépre jelenleg telepített MLflow verzió ellenőrzéséhez futtassa a következő parancsot:

A következő részlet azt mutatja, hogy az MLflow 2.5.0-s verziója telepítve van a működő gépen:

6. lépés: Indítsa el az MLflow szervert (opcionális lépés)

Futtassa a következő parancsot az MLflow szerver elindításához, így elérhetővé válik a webes felhasználói felület:

A következő képernyőn látható, hogy a szerver a localhost (127.0.0.1) és az 5000-es porton működik:

A szerver alapértelmezés szerint az 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 (+) ikonnal működik a „Kísérletek” mellett, hogy további kísérleteket adjon hozzá a webes felületen. Íme egy képernyőkép az MLflow szerver webes felhasználói felületéről:

Hogyan változtassuk meg a szerverportot

Az MLflow szerver általában az 5000-es porton működik. A port azonban átkapcsolható a kívánt számra. Kövesse az alábbi utasításokat az MLflow szerver elindításához egy adott porton:

Nyissa meg a Parancssort, a PowerShellt vagy a Terminál ablakot.
Nyomja meg a Windows billentyűt a billentyűzeten. Ezután nyomja meg a „cmd” vagy a „powershell” billentyűt, és engedje fel a billentyűt.
Kapcsolja be azt a virtuális környezetet, amelybe az MLflow telepítve van (feltételezve, hogy az lett).
Az MLflow szerver indításakor cserélje ki a PORT_NUMBER számot a kívánt portszámra:

mlflow szerver – PORT_NUMBER. port

Futtassa az mlflow-server-7000 programot bemutatóként az MLflow szerver elindításához a kívánt porton:

Most a kijelölt portot az MLflow szerver fogja használni a webböngésző alkalmazás elindításával, és a következő URL beírásával az Mlflow webes felhasználói felület eléréséhez. Cserélje ki a PORT_NUMBER számot a kötelező portszámra:

http://localhost:PORT_NUMBER

Az előző lépésben kiválasztott portot a „PORT_NUMBER” helyett kell helyettesíteni (például: http://localhost:7000 ).

7. lépés: Állítsa le az MLflow szervert

Ha MLflow-t használ a paraméterek naplózására, a kísérletek nyomon követésére és az eredmények webes felhasználói felülettel történő vizsgálatára, ne feledje, hogy az MLflow-kiszolgálónak működnie kell.

Az MLflow-kiszolgáló végrehajtásának leállításához nyomja meg a „Ctrl + C” billentyűkombinációt a parancssorban vagy a PowerShell-ben, ahol a kiszolgáló fut. Itt a képernyőn látható, hogy a szerver működése sikeresen leállt.

Következtetés

Az MLflow segítségével a végfelhasználó több gépi tanulási projektet kezelhet egy robusztus és egyszerű keretrendszerrel, amely lehetővé teszi a kísérletek nyomon követését és összehasonlítását, az eredmények megismétlését, valamint a csapattagokkal való sikeres együttműködést, hogy a gépi tanulási modellek létrehozására és fejlesztésére koncentrálhassanak. a kísérletek strukturált és ismételhető tartása az MLflow segítségével.