Langkah 1: Pemasangan Python
Python mesti dipasang pada komputer yang berfungsi sebelum meneruskan kerana ia adalah prasyarat untuk menulis kod dalam MLflow. Pasang versi terbaru Python pada komputer riba atau komputer dengan memuat turunnya dari tapak web rasmi. Sebelum memulakan pemasangan, baca dengan teliti arahan. Pastikan anda menambah Python pada PATH sistem semasa pemasangan.
Sahkan Pemasangan Python
Untuk memastikan Python telah berjaya dipasang pada komputer peribadi, buka command prompt (dalam Windows) atau terminal (dalam Linux), masukkan arahan Python, dan tekan butang 'Enter'. Selepas kejayaan melaksanakan arahan, sistem pengendalian memaparkan versi Python pada tetingkap terminal. Dalam contoh berikut, versi Python 3.11.1 dipasang pada komputer yang ditentukan seperti yang ditunjukkan dalam coretan berikut:
Langkah 2: Sediakan Persekitaran Maya
Membuat persekitaran maya untuk memisahkan kebergantungan MLflow daripada pakej Python seluruh sistem peribadi ialah pendekatan yang sangat baik. Walaupun ia tidak diperlukan, menyediakan persekitaran maya peribadi untuk MLflow amat dinasihatkan. Untuk melakukan ini, buka baris arahan dan pergi ke direktori projek yang anda ingin kerjakan. Untuk menavigasi ke Direktori Python yang berada di dalam folder 'Kerja' pada pemacu D semasa kami menggunakan Windows. Untuk membina persekitaran maya, laksanakan arahan seterusnya:
python –m venv MLFlow-ENV
Perintah yang disebutkan di atas menggunakan Python dan menerima suis -m (Make) untuk mencipta persekitaran maya dalam direktori semasa. 'venv' merujuk kepada persekitaran maya, dan nama persekitaran kemudian diikuti oleh 'MLFlow-ENV' dalam contoh ini. Persekitaran maya dicipta dengan menggunakan arahan ini seperti yang diberikan dalam coretan berikut:
Jika persekitaran maya berjaya dibuat, kami mungkin menyemak 'Direktori kerja' untuk melihat bahawa arahan yang disebut sebelum ini menghasilkan folder 'MLFlow-ENV' yang mempunyai tiga lagi direktori dengan nama berikut:
- Sertakan
- Lib
- Skrip
Selepas menggunakan arahan yang disebutkan di atas, berikut ialah bagaimana struktur direktori folder Python kelihatan - ia menghasilkan persekitaran maya seperti yang disenaraikan dalam yang berikut:
Langkah 3: Aktifkan Persekitaran Maya
Dalam langkah ini, kami mengaktifkan persekitaran maya dengan bantuan fail kelompok yang terletak di dalam folder 'Skrip'. Tangkapan skrin berikut menunjukkan bahawa persekitaran maya beroperasi selepas pengaktifan berjaya:
Langkah 4: Memasang MLflow
Kini, tiba masanya untuk memasang MLflow. Selepas mengaktifkan persekitaran maya (jika anda memilih untuk menciptanya), pasang MLflow menggunakan arahan pip seperti berikut:
pip pasang mlflowCoretan berikut menunjukkan bahawa pemasangan MLflow sedang memuat turun fail yang diperlukan daripada internet dan memasangnya ke persekitaran maya:
MLflow akan mengambil sedikit masa, bergantung pada kelajuan internet. Skrin berikut menunjukkan kejayaan menyiapkan pemasangan MLflow.
Baris terakhir coretan menunjukkan bahawa versi pip terbaharu tersedia sekarang; terpulang kepada pengguna akhir sama ada untuk mengemas kini pip atau tidak. Versi pip yang dipasang dipaparkan dalam warna merah '22.3.1'. Memandangkan kami sedang menaik taraf pip kepada versi 23.2.1, masukkan arahan tersenarai berikut untuk melengkapkan kemas kini:
ular sawa. exe –m pip install --upgrade pipSkrin berikut menunjukkan kejayaan naik taraf pip kepada versi 23.2.1 terkini:
Langkah 5: Sahkan Pemasangan MLflow
Mengesahkan pemasangan MLflow ialah langkah terakhir tetapi penting. Tiba masanya untuk mengesahkan sama ada pemasangan MLflow berjaya atau tidak. Untuk menyemak versi MLflow yang sedang dipasang pada PC, jalankan arahan yang diberikan berikut:
mlflow --versionCoretan berikut memaparkan bahawa versi 2.5.0 MLflow dipasang pada mesin yang berfungsi:
Langkah 6: Mulakan Pelayan MLflow (Langkah Pilihan)
Jalankan arahan seterusnya untuk melancarkan pelayan MLflow supaya antara muka pengguna web akan tersedia:
pelayan mlflowSkrin berikut menunjukkan bahawa pelayan beroperasi pada localhost (127.0.0.1) dan port 5000:
Pelayan akan beroperasi secara lalai pada ikon 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 (+) di sebelah 'Eksperimen' untuk menambah percubaan tambahan menggunakan antara muka web. Berikut ialah tangkapan skrin UI web pelayan MLflow:
Cara Menukar Port Pelayan
Pelayan MLflow biasanya beroperasi pada port 5000. Port boleh ditukar kepada nombor pilihan, walaupun. Ikut arahan ini untuk melancarkan pelayan MLflow pada port tertentu:
Buka Prompt Perintah, PowerShell atau Tetingkap Terminal.
Tekan kekunci Windows dari papan kekunci. Kemudian, tekan 'cmd' atau 'powershell' dan lepaskan kekunci.
Hidupkan persekitaran maya tempat MLflow dipasang (dengan mengandaikan ia dibuat).
Gantikan PORT_NUMBER dengan nombor port yang dikehendaki apabila memulakan pelayan MLflow:
pelayan mlflow –port PORT_NUMBER
Jalankan, mlflow-server-7000 sebagai demo untuk melancarkan pelayan MLflow pada port yang diperlukan:
pelayan mlflow --port 7000Kini, port yang ditetapkan akan digunakan oleh pelayan MLflow dengan melancarkan apl pelayar web dan masukkan URL berikut untuk mengakses UI web Mlflow. Gantikan PORT_NUMBER dengan nombor port wajib:
http://localhost:PORT_NUMBER
Port yang dipilih dalam langkah sebelumnya harus digantikan dengan 'PORT_NUMBER' (contohnya: http://localhost:7000 ).
Langkah 7: Hentikan Pelayan MLflow
Apabila menggunakan MLflow untuk log parameter, jejak percubaan dan periksa keputusan menggunakan UI web, perlu diingat bahawa pelayan MLflow perlu beroperasi.
Untuk menghentikan pelaksanaan pelayan MLflow, tekan 'Ctrl + C' dalam Prompt Perintah atau PowerShell di mana pelayan sedang berjalan. Berikut ialah skrin yang menunjukkan bahawa kerja pelayan telah berjaya dihentikan.
Kesimpulan
Dengan MLflow, pengguna akhir boleh mengurus berbilang projek pembelajaran mesin dengan rangka kerja yang teguh dan ringkas yang membolehkan untuk menjejak dan membandingkan eksperimen, meniru keputusan dan bekerjasama dengan jayanya dengan ahli pasukan untuk menumpukan perhatian pada mencipta dan menambah baik model pembelajaran mesin sambil memastikan eksperimen berstruktur dan boleh diulang dengan bantuan MLflow.