Namestitev MLflow: Navodila po korakih za namestitev MLflow

1. korak: Namestitev Pythona

Python mora biti nameščen na delujočem računalniku, preden nadaljujete, ker je to predpogoj za pisanje kode v MLflow. Namestite najnovejšo različico Pythona v prenosnik ali računalnik, tako da jo prenesete z uradne spletne strani. Pred začetkom namestitve natančno preberite navodila. Prepričajte se, da ste med namestitvijo dodali Python sistemski PATH.

Preverite namestitev Pythona

Če želite preveriti, ali je bil Python uspešno nameščen na osebnem računalniku, odprite ukazni poziv (v sistemu Windows) ali terminal (v sistemu Linux), vnesite ukaz Python in pritisnite gumb »Enter«. Po uspešni izvedbi ukaza operacijski sistem v oknu terminala prikaže različico Python. V naslednjem primeru je različica Python 3.11.1 nameščena v določenem računalniku, kot je prikazano v naslednjem delčku:

2. korak: Nastavite virtualno okolje

Izdelava virtualnega okolja za ločevanje odvisnosti MLflow od osebnih sistemskih paketov Python je odličen pristop. Čeprav to ni potrebno, je nastavitev zasebnega virtualnega okolja za MLflow močno priporočljiva. Če želite to narediti, odprite ukazno vrstico in pojdite v imenik projekta, na katerem želite delati. Za navigacijo do imenika Python, ki je znotraj mape »Delo« na pogonu D, saj uporabljamo Windows. Če želite zgraditi virtualno okolje, izvedite naslednji ukaz:

Zgoraj omenjeni ukaz uporablja Python in sprejme stikalo -m (Make) za ustvarjanje virtualnega okolja v trenutnem imeniku. »Venv« se nanaša na virtualno okolje, imenu okolja pa v tem primeru sledi »MLFlow-ENV«. Navidezno okolje je ustvarjeno z uporabo tega ukaza, kot je navedeno v naslednjem izrezku:

Če je navidezno okolje uspešno ustvarjeno, lahko preverimo »Delovni imenik« in opazimo, da je prej omenjeni ukaz ustvaril mapo »MLFlow-ENV«, ki ima tri dodatne imenike z naslednjimi imeni:

• Vključi
• Lib
• Skripte

Po uporabi zgoraj omenjenega ukaza je tukaj videti struktura imenika mape Python – ustvarila je virtualno okolje, kot je navedeno v naslednjem:

3. korak: Aktivirajte virtualno okolje

V tem koraku aktiviramo virtualno okolje s pomočjo paketne datoteke, ki se nahaja znotraj mape “Scripts”. Naslednji posnetek zaslona prikazuje, da virtualno okolje po uspešni aktivaciji deluje:

4. korak: Namestitev MLflow

Zdaj je čas, da namestite MLflow. Po aktiviranju virtualnega okolja (če ste se odločili, da ga ustvarite), namestite MLflow z ukazom pip, kot sledi:

Naslednji delček kaže, da namestitev MLflow prenaša zahtevane datoteke iz interneta in jih namešča v virtualno okolje:

MLflow bo trajal nekaj časa, odvisno od hitrosti interneta. Naslednji zaslon prikazuje uspešen zaključek namestitve MLflow.

Zadnja vrstica izrezka označuje, da je najnovejša različica pip zdaj na voljo; od končnega uporabnika je odvisno, ali bo posodobil pip ali ne. Različica nameščenega pipa je prikazana v rdeči barvi “22.3.1”. Ker pip nadgrajujemo na različico 23.2.1, vnesite naslednji navedeni ukaz za dokončanje posodobitve:

Naslednji zaslon prikazuje uspešno nadgradnjo pip na najnovejšo različico 23.2.1:

5. korak: Potrdite namestitev MLflow

Preverjanje namestitve MLflow je zadnji, a bistveni korak. Čas je, da potrdite, ali je namestitev MLflow uspešna ali ne. Če želite preveriti različico MLflow, ki je trenutno nameščena v računalniku, zaženite naslednji ukaz:

Naslednji delček prikazuje, da je na delovnem stroju nameščena različica MLflow 2.5.0:

6. korak: Zaženite strežnik MLflow (izbirni korak)

Zaženite naslednji ukaz za zagon strežnika MLflow, tako da bo na voljo spletni uporabniški vmesnik:

Naslednji zaslon prikazuje, da strežnik deluje na lokalnem gostitelju (127.0.0.1) in vratih 5000:

Strežnik bo privzeto deloval z ikono 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 (+) poleg »Poskusi«, da dodate dodatne poskuse s spletnim vmesnikom. Tukaj je posnetek zaslona spletnega uporabniškega vmesnika strežnika MLflow:

Kako spremeniti vrata strežnika

Strežnik MLflow običajno deluje na vratih 5000. Vrata pa je mogoče preklopiti na želeno številko. Sledite tem navodilom za zagon strežnika MLflow na določenih vratih:

Odprite ukazni poziv, PowerShell ali terminalsko okno.
Pritisnite tipko Windows na tipkovnici. Nato pritisnite »cmd« ali »powershell« in spustite tipko.
Vklopite virtualno okolje, kjer je nameščen MLflow (ob predpostavki, da ga je ustvaril).
Zamenjajte PORT_NUMBER z želeno številko vrat, ko zaženete strežnik MLflow:

strežnik mlflow – vrata PORT_NUMBER

Zaženite mlflow-server-7000 kot predstavitev za zagon strežnika MLflow na zahtevanih vratih:

Zdaj bo strežnik MLflow uporabljal določena vrata tako, da zaženete aplikacijo spletnega brskalnika in vnesete naslednji URL za dostop do spletnega uporabniškega vmesnika Mlflow. Zamenjajte PORT_NUMBER z obvezno številko vrat:

http://localhost:PORT_NUMBER

Vrata, ki so bila izbrana v prejšnjem koraku, je treba nadomestiti s »PORT_NUMBER« (na primer: http://localhost:7000 ).

7. korak: Zaustavite strežnik MLflow

Pri uporabi MLflow za beleženje parametrov, sledenje poskusom in pregledovanje rezultatov s spletnim uporabniškim vmesnikom ne pozabite, da mora strežnik MLflow delovati.

Če želite ustaviti izvajanje strežnika MLflow, pritisnite »Ctrl + C« v ukaznem pozivu ali PowerShell, kjer se strežnik izvaja. Tukaj je zaslon, ki prikazuje, da je bilo delovanje strežnika uspešno ustavljeno.

Zaključek

Z MLflow lahko končni uporabnik upravlja več projektov strojnega učenja z robustnim in preprostim ogrodjem, ki omogoča sledenje in primerjavo poskusov, posnemanje rezultatov in uspešno delo s člani ekipe, da se osredotoči na ustvarjanje in izboljšanje modelov strojnega učenja, medtem ko ohranjanje strukture in ponovljivosti poskusov s pomočjo MLflow.