שלב 1: התקנה של Python
Python חייב להיות מותקן במחשב עובד לפני שתמשיך כי זה תנאי מוקדם לכתיבת הקוד ב-MLflow. התקן את הגרסה העדכנית ביותר של Python במחשב הנייד או במחשב על ידי הורדתה מהאתר הרשמי. לפני תחילת ההתקנה, קרא בעיון את ההוראות. הקפד להוסיף Python למערכת PATH במהלך ההתקנה.
אמת את ההתקנה של Python
כדי לוודא ש-Python הותקן בהצלחה במחשב האישי, פתח את שורת הפקודה (ב-Windows) או את המסוף (ב-Linux), הזן את פקודת Python ולחץ על כפתור 'Enter'. לאחר ביצוע מוצלח של הפקודה, מערכת ההפעלה מציגה את גרסת Python בחלון הטרמינל. בדוגמה הבאה, גרסת Python 3.11.1 מותקנת במחשב שצוין כפי שמוצג בקטע הבא:
שלב 2: הגדר סביבה וירטואלית
יצירת סביבה וירטואלית כדי להפריד את התלות של MLflow מחבילות Python האישיות בכל המערכת היא גישה מצוינת. למרות שזה לא נדרש, מומלץ מאוד להגדיר סביבה וירטואלית פרטית עבור MLflow. כדי לעשות זאת, פתח את שורת הפקודה ועבור אל ספריית הפרויקט שעליה ברצונך לעבוד. כדי לנווט אל ספריית Python שנמצאת בתוך תיקיית 'עבודה' בכונן D כאשר אנו משתמשים ב-Windows. כדי לבנות סביבה וירטואלית, בצע את הפקודה הבאה:
python –m venv MLFlow-ENV
הפקודה שהוזכרה לעיל משתמשת ב-Python ומקבלת את המתג -m (Make) כדי ליצור סביבה וירטואלית בספרייה הנוכחית. ה-'venv' מתייחס לסביבה הוירטואלית, ואחריו שם הסביבה מופיע 'MLFlow-ENV' בדוגמה זו. הסביבה הוירטואלית נוצרת עם שימוש בפקודה זו כפי שניתן בקטע הבא:
אם הסביבה הוירטואלית נוצרה בהצלחה, אנו עשויים לבדוק את 'ספריית העבודה' כדי לראות שהפקודה שהוזכרה בעבר הפיקה את התיקיה 'MLFlow-ENV' שיש לה שלוש ספריות נוספות עם השמות הבאים:
- לִכלוֹל
- ליב
- סקריפטים
לאחר השימוש בפקודה האמורה, כך נראה מבנה הספריות של תיקיית Python - היא יצרה סביבה וירטואלית כמפורט להלן:
שלב 3: הפעל את הסביבה הוירטואלית
בשלב זה, אנו מפעילים את הסביבה הוירטואלית בעזרת קובץ אצווה שנמצא בתוך תיקיית 'סקריפטים'. צילום המסך הבא מדגים שהסביבה הוירטואלית פועלת לאחר הפעלה מוצלחת:
שלב 4: התקנת MLflow
עכשיו, הגיע הזמן להתקין את MLflow. לאחר הפעלת הסביבה הוירטואלית (אם בחרת ליצור כזו), התקן את MLflow באמצעות פקודת pip באופן הבא:
pip להתקין mlflowהקטע הבא מראה שהתקנת MLflow מורידה את הקבצים הנדרשים מהאינטרנט ומתקין אותם בסביבה הוירטואלית:
ה-MLflow ייקח זמן מה, בהתאם למהירות האינטרנט. המסך הבא מדגים את ההשלמה המוצלחת של התקנת MLflow.
השורה האחרונה של קטע הקוד מציינת שהגרסה העדכנית ביותר של pip זמינה כעת; זה תלוי במשתמש הקצה אם לעדכן pip או לא. הגרסה של ה-pip המותקן מוצגת בצבע אדום '22.3.1'. מכיוון שאנו משדרגים את ה-pip לגרסת 23.2.1, הזן את הפקודה הרשומה הבאה כדי להשלים את העדכון:
פִּיתוֹן. exe –m pip install --upgrade pipהמסך הבא מציג את השדרוג המוצלח של pip לגרסה האחרונה של 23.2.1:
שלב 5: אשר את התקנת MLflow
אימות התקנת MLflow הוא השלב האחרון אך חיוני. זה הזמן לאשר אם התקנת MLflow מוצלחת או לא. כדי לבדוק את גרסת MLflow שמותקנת כעת במחשב האישי, הפעל את הפקודה הבאה:
mlflow --גרסההקטע הבא מציג שגרסת 2.5.0 של MLflow מותקנת במחשב העובד:
שלב 6: הפעל את שרת MLflow (שלב אופציונלי)
הפעל את הפקודה הבאה כדי להפעיל את שרת MLflow כך שממשק המשתמש באינטרנט יהיה זמין:
שרת mlflowהמסך הבא מדגים שהשרת פועל ב-localhost (127.0.0.1) וביציאה 5000:
השרת יפעל כברירת מחדל בסמל 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 (+) לצד 'ניסויים' כדי להוסיף את הניסויים הנוספים באמצעות ממשק האינטרנט. להלן צילום מסך של ממשק המשתמש של האינטרנט של שרת MLflow:
כיצד לשנות את יציאת השרת
שרת MLflow פועל בדרך כלל ביציאה 5000. עם זאת, ניתן להעביר את היציאה למספר המועדף. בצע את ההוראות הבאות כדי להפעיל את שרת MLflow ביציאה ספציפית:
פתח את שורת הפקודה, PowerShell או חלון המסוף.
הקש על מקש Windows מהמקלדת. לאחר מכן, לחץ על 'cmd' או 'powershell' ושחרר את המקש.
הפעל את הסביבה הווירטואלית שבה מותקן MLflow (בהנחה שהיא יצרה כזו).
החלף את ה-PORT_NUMBER במספר היציאה הרצוי בעת הפעלת שרת MLflow:
שרת mlflow – יציאה PORT_NUMBER
הפעל, את mlflow-server-7000 כהדגמה כדי להפעיל את שרת MLflow ביציאה הנדרשת:
שרת mlflow --port 7000כעת, היציאה המיועדת תשמש את שרת MLflow על ידי הפעלת אפליקציית דפדפן האינטרנט והזנת כתובת האתר הבאה כדי לגשת לממשק המשתמש של Mlflow. החלף את ה-PORT_NUMBER במספר היציאה החובה:
http://localhost:PORT_NUMBER
יש להחליף את היציאה שנבחרה בשלב הקודם ב-'PORT_NUMBER' (לדוגמה: http://localhost:7000 ).
שלב 7: עצור את שרת MLflow
כשאתה משתמש ב-MLflow לרישום הפרמטרים, עקוב אחר הניסויים ובחן את התוצאות באמצעות ממשק המשתמש האינטרנטי, זכור ששרת MLflow צריך לפעול.
כדי לעצור את ביצוע שרת MLflow, הקש 'Ctrl + C' בשורת הפקודה או ב- PowerShell שבו השרת פועל. הנה המסך שמראה שהעבודה של השרת הופסקה בהצלחה.
סיכום
עם MLflow, משתמש הקצה יכול לנהל פרויקטים מרובים של למידת מכונה עם מסגרת חזקה ופשוטה המאפשרת לעקוב אחר הניסויים ולהשוות אותם, לשכפל את התוצאות ולעבוד בהצלחה עם חברי הצוות כדי להתרכז ביצירה ושיפור של מודלים של למידת מכונה. שמירה על הניסויים מובנים וניתנים לחזרה בעזרת MLflow.