Funktioner i MLflow

Slutförd

Det finns fyra komponenter till MLflow:

• MLflow-spårning
• MLflow-projekt
• MLflow-modeller
• MLflow Model Registry

MLflow-spårning

MLflow Tracking gör det möjligt för dataforskare att arbeta med experiment där de bearbetar och analyserar data eller tränar maskininlärningsmodeller. För varje körning i ett experiment kan en dataexpert logga parametervärden, versioner av bibliotek som används, modellutvärderingsmått och genererade utdatafiler. inklusive bilder av datavisualiseringar och modellfiler. Den här möjligheten att logga viktig information om experimentkörningar gör det möjligt att granska och jämföra resultatet av tidigare modellträningskörningar.

MLflow-projekt

Ett MLflow-projekt är ett sätt att paketera kod för konsekvent distribution och reproducerbarhet av resultat. MLflow stöder flera miljöer för projekt, inklusive användning av Conda och Docker för att definiera konsekventa Python-kodkörningsmiljöer.

MLflow-modeller

MLflow erbjuder ett standardiserat format för paketeringsmodeller för distribution. Med det här standardiserade modellformatet kan MLflow arbeta med modeller som genererats från flera populära bibliotek, inklusive Scikit-Learn, PyTorch, MLlib och andra.

Dricks

Läs dokumentationen om MLflow-modeller för information om den fullständiga uppsättningen modellsmaker som stöds.

MLflow Model Registry

MLflow Model Registry gör det möjligt för dataforskare att registrera tränade modeller. MLflow-modeller och MLflow-projekt använder MLflow Model Registry för att göra det möjligt för maskininlärningstekniker att distribuera och hantera modeller som klientprogram kan använda.