Možnosti MLflow

  • 3 min

MLflow má čtyři komponenty:

  • Sledování MLflow
  • Projekty MLflow
  • Modely MLflow
  • Registr modelů MLflow

Sledování MLflow

MLflow Tracking umožňuje datovým vědcům pracovat s experimenty, ve kterých zpracovávají a analyzují data nebo trénují modely strojového učení. Pro každé spuštění v experimentu může datový vědec protokolovat hodnoty parametrů, verze použitých knihoven, metriky vyhodnocení modelu a vygenerované výstupní soubory; včetně obrázků vizualizací dat a souborů modelu. Tato možnost protokolování důležitých podrobností o spuštěních experimentů umožňuje auditovat a porovnat výsledky předchozích spuštění trénování modelu.

Projekty MLflow

Projekt MLflow představuje způsob balení kódu pro konzistentní nasazení a reprodukovatelnost výsledků. MLflow podporuje několik prostředí pro projekty, včetně použití Conda a Dockeru k definování konzistentních prostředí spouštění kódu Pythonu.

Modely MLflow

MLflow nabízí standardizovaný formát pro balení modelů pro distribuci. Tento standardizovaný formát modelu umožňuje MLflow pracovat s modely vygenerovanými z několika oblíbených knihoven, včetně Scikit-Learn, PyTorch, MLlib a dalších.

Tip

V dokumentaci k modelům MLflow najdete informace o úplné sadě podporovaných variant modelů.

Registr modelů MLflow

Registr modelů MLflow umožňuje datovým vědcům registrovat vytrénované modely. Modely MLflow a projekty MLflow používají registr modelů MLflow k tomu, aby inženýři strojového učení mohli nasazovat a obsluhovat modely, které klientské aplikace využívají.