Mogelijkheden van MLflow
Er zijn vier onderdelen voor MLflow:
- MLflow-tracering
- MLflow-projecten
- MLflow-modellen
- MLflow-modelregister
MLflow-tracering
Met MLflow Tracking kunnen gegevenswetenschappers werken met experimenten waarin ze gegevens verwerken en analyseren of machine learning-modellen trainen. Voor elke uitvoering in een experiment kan een data scientist parameterwaarden, versies van gebruikte bibliotheken, metrische gegevens voor modelevaluatie en gegenereerde uitvoerbestanden vastleggen; inclusief afbeeldingen van gegevensvisualisaties en modelbestanden. Deze mogelijkheid om belangrijke details over experimentuitvoeringen te registreren, maakt het mogelijk om de resultaten van eerdere uitvoeringen van modeltrainingen te controleren en te vergelijken.
MLflow-projecten
Een MLflow-project is een manier om code in te pakken voor consistente implementatie en reproduceerbaarheid van resultaten. MLflow ondersteunt verschillende omgevingen voor projecten, waaronder het gebruik van Conda en Docker om consistente Python-codeuitvoeringsomgevingen te definiëren.
MLflow-modellen
MLflow biedt een gestandaardiseerde indeling voor verpakkingsmodellen voor distributie. Met deze gestandaardiseerde modelindeling kan MLflow werken met modellen die zijn gegenereerd op basis van verschillende populaire bibliotheken, waaronder Scikit-Learn, PyTorch, MLlib en andere.
Tip
Raadpleeg de documentatie over MLflow-modellen voor informatie over de volledige set ondersteunde modelsmaak.
MLflow-modelregister
Met het MLflow Model Registry kunnen gegevenswetenschappers getrainde modellen registreren. MLflow-modellen en MLflow-projecten maken gebruik van het MLflow-modelregister om machine learning-technici in staat te stellen modellen te implementeren en te bedienen voor clienttoepassingen die ze kunnen gebruiken.