Możliwości platformy MLflow

  • 3 min

Istnieją cztery składniki platformy MLflow:

  • Śledzenie MLflow
  • Projekty MLflow
  • Modele MLflow
  • Rejestr modeli MLflow

Śledzenie MLflow

Śledzenie MLflow umożliwia analitykom danych pracę z eksperymentami, w których przetwarzają i analizują dane lub trenują modele uczenia maszynowego. Dla każdego przebiegu w eksperymencie analityk danych może rejestrować wartości parametrów, wersje używanych bibliotek, metryki oceny modelu i generowane pliki wyjściowe; w tym obrazy wizualizacji danych i plików modelu. Ta możliwość rejestrowania ważnych szczegółów dotyczących przebiegów eksperymentów umożliwia inspekcję i porównanie wyników wcześniejszych wykonań trenowania modelu.

Projekty MLflow

Projekt MLflow to sposób tworzenia pakietów kodu w celu spójnego wdrażania i powtarzalności wyników. Platforma MLflow obsługuje kilka środowisk dla projektów, w tym używanie platformy Conda i Docker do definiowania spójnych środowisk wykonywania kodu w języku Python.

Modele MLflow

Platforma MLflow oferuje standardowy format dla modeli pakowania na potrzeby dystrybucji. Ten standardowy format modelu umożliwia MLflow pracę z modelami wygenerowanymi z kilku popularnych bibliotek, w tym Scikit-Learn, PyTorch, MLlib i innych.

Napiwek

Zapoznaj się z dokumentacją modeli MLflow, aby uzyskać informacje na temat pełnego zestawu obsługiwanych smaków modeli.

Rejestr modeli MLflow

Rejestr modeli MLflow umożliwia analitykom danych rejestrowanie wytrenowanych modeli. Modele MLflow i projekty MLflow korzystają z rejestru modeli MLflow, aby umożliwić inżynierom uczenia maszynowego wdrażanie i obsługę modeli używanych przez aplikacje klienckie.