Instaliranje MLflow: Korak po korak upute za instalaciju MLflow

Korak 1: Instalacija Pythona

Python mora biti instaliran na radnom računalu prije nastavka jer je to preduvjet za pisanje koda u MLflowu. Instalirajte najnoviju verziju Pythona na prijenosno ili računalo preuzimanjem sa službene web stranice. Prije početka instalacije pažljivo pročitajte upute. Obavezno dodajte Python u PATH sustava tijekom instalacije.

Provjerite instalaciju Pythona

Kako biste bili sigurni da je Python uspješno instaliran na osobno računalo, otvorite naredbeni redak (u Windowsu) ili terminal (u Linuxu), unesite naredbu Python i pritisnite gumb 'Enter'. Nakon uspješnog izvršenja naredbe, operativni sustav na prozoru terminala prikazuje verziju Pythona. U sljedećem primjeru, verzija Python 3.11.1 instalirana je na navedeno računalo kao što je prikazano u sljedećem isječku:

Korak 2: Postavite virtualno okruženje

Stvaranje virtualnog okruženja za odvajanje ovisnosti MLflowa od Python paketa za cijeli sustav izvrstan je pristup. Iako nije potrebno, preporučuje se postavljanje privatnog virtualnog okruženja za MLflow. Da biste to učinili, otvorite naredbeni redak i idite u direktorij projekta na kojem želite raditi. Za navigaciju do Python direktorija koji se nalazi unutar mape 'Work' na disku D jer koristimo Windows. Da biste izgradili virtualno okruženje, izvršite sljedeću naredbu:

Prethodno navedena naredba koristi Python i prihvaća preklopku -m (Make) za stvaranje virtualnog okruženja u trenutnom direktoriju. 'Venv' se odnosi na virtualno okruženje, a nakon naziva okruženja slijedi 'MLFlow-ENV' u ovom primjeru. Virtualno okruženje se stvara pomoću ove naredbe kao što je navedeno u sljedećem isječku:

Ako je virtualno okruženje uspješno kreirano, mogli bismo provjeriti 'Radni direktorij' da uočimo da je prethodno spomenuta naredba proizvela mapu 'MLFlow-ENV' koja ima tri dodatna direktorija sa sljedećim nazivima:

• Uključiti
• Lib
• Skripte

Nakon korištenja gore navedene naredbe, evo kako izgleda struktura direktorija mape Python - proizvela je virtualno okruženje kako je navedeno u nastavku:

Korak 3: Aktivirajte virtualno okruženje

U ovom koraku aktiviramo virtualno okruženje uz pomoć batch datoteke koja se nalazi unutar mape “Scripts”. Sljedeća snimka zaslona pokazuje da je virtualno okruženje operativno nakon uspješne aktivacije:

Korak 4: Instalacija MLflow

Sada je vrijeme da instalirate MLflow. Nakon aktivacije virtualnog okruženja (ako ste ga odlučili izraditi), instalirajte MLflow pomoću naredbe pip na sljedeći način:

Sljedeći isječak pokazuje da instalacija MLflow preuzima potrebne datoteke s interneta i instalira ih u virtualno okruženje:

MLflow će potrajati neko vrijeme, ovisno o brzini interneta. Sljedeći zaslon pokazuje uspješan završetak instalacije MLflow.

Posljednji redak isječka označava da je najnovija verzija pip-a sada dostupna; na krajnjem korisniku je hoće li ažurirati pip ili ne. Verzija instaliranog pipa prikazana je crvenom bojom “22.3.1”. Budući da nadograđujemo pip na verziju 23.2.1, unesite sljedeću naredbu s popisa da dovršite ažuriranje:

Sljedeći zaslon prikazuje uspješnu nadogradnju pip-a na najnoviju verziju 23.2.1:

Korak 5: Potvrdite instalaciju MLflow

Provjera instalacije MLflowa posljednji je, ali bitan korak. Vrijeme je da potvrdite je li instalacija MLflow uspješna ili ne. Da biste provjerili verziju MLflowa koja je trenutno instalirana na računalu, pokrenite sljedeću zadanu naredbu:

Sljedeći isječak prikazuje da je verzija MLflowa 2.5.0 instalirana na radnom stroju:

Korak 6: Pokrenite MLflow poslužitelj (neobavezni korak)

Pokrenite sljedeću naredbu za pokretanje MLflow poslužitelja tako da web korisničko sučelje bude dostupno:

Sljedeći zaslon pokazuje da poslužitelj radi na lokalnom hostu (127.0.0.1) i portu 5000:

Poslužitelj će prema zadanim postavkama raditi na ikoni 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 (+) pored 'Eksperimenti' za dodavanje dodatnih eksperimenata pomoću web sučelja. Evo snimke zaslona web korisničkog sučelja poslužitelja MLflow:

Kako promijeniti port poslužitelja

Poslužitelj MLflow obično radi na portu 5000. Port se ipak može prebaciti na željeni broj. Slijedite ove upute za pokretanje MLflow poslužitelja na određenom priključku:

Otvorite naredbeni redak, PowerShell ili prozor terminala.
Pritisnite tipku Windows na tipkovnici. Zatim pritisnite “cmd” ili “powershell” i otpustite tipku.
Uključite virtualno okruženje u kojem je instaliran MLflow (pod pretpostavkom da ga je napravio).
Zamijenite PORT_NUMBER željenim brojem porta prilikom pokretanja MLflow poslužitelja:

mlflow poslužitelj – port PORT_NUMBER

Pokrenite mlflow-server-7000 kao demo za pokretanje MLflow poslužitelja na traženom priključku:

Sada će MLflow poslužitelj koristiti određeni priključak pokretanjem aplikacije web preglednika i unosom sljedećeg URL-a za pristup Mlflow web sučelju. Zamijenite PORT_NUMBER obaveznim brojem porta:

http://localhost:PORT_NUMBER

Port koji je odabran u prethodnom koraku trebao bi biti zamijenjen za 'PORT_NUMBER' (na primjer: http://localhost:7000 ).

Korak 7: Zaustavite MLflow poslužitelj

Kada koristite MLflow za bilježenje parametara, praćenje eksperimenata i ispitivanje rezultata pomoću web sučelja, imajte na umu da MLflow poslužitelj mora raditi.

Da biste zaustavili izvršavanje poslužitelja MLflow, pritisnite “Ctrl + C” u naredbenom retku ili PowerShell gdje je poslužitelj pokrenut. Evo ekrana koji pokazuje da je rad poslužitelja uspješno zaustavljen.

Zaključak

S MLflowom krajnji korisnik može upravljati višestrukim projektima strojnog učenja s robusnim i jednostavnim okvirom koji omogućuje praćenje i usporedbu eksperimenata, repliciranje rezultata i uspješan rad s članovima tima kako bi se usredotočili na stvaranje i poboljšanje modela strojnog učenja dok održavajući pokuse strukturiranima i ponovljivima uz pomoć MLflowa.