Machine Learning Associate · Śledzenie MLflow i rejestr modeli
Ręczne logowanie w runie MLflow
Najważniejsze
- W bloku
with mlflow.start_run():zapisujesz dane samodzielnie:log_paramdla hiperparametrów,log_metricdla liczb (opcjonalnie z krokiem),log_artifactdla plików, np. wykresów, orazmlflow.<flavor>.log_modeldla modelu. - Autologging robi to za Ciebie dla obsługiwanych bibliotek, ale ręczne wywołania pozwalają dodać własne wartości lub zapisać to, co autolog pomija.
Źródło: https://mlflow.org/docs/latest/python_api/mlflow.html
Przykładowe pytania
Które wywołanie zapisuje w bieżącym runie wynik liczbowy, np. RMSE na walidacji?
- mlflow.log_param("rmse", 0.82)
- mlflow.log_metric("rmse", 0.82)
- mlflow.log_artifact("rmse")
- mlflow.set_tag("rmse", 0.82)
Pokaż odpowiedź
Odpowiedź: B. mlflow.log_metric("rmse", 0.82)
log_metric zapisuje wartości liczbowe i obsługuje krok. log_param służy do konfiguracji, log_artifact do plików, set_tag do etykiet.
Które z poniższych można zapisać ręcznie w runie MLflow?
- Hiperparametr, np. max_depth
- Wartość funkcji straty w każdej epoce z argumentem step
- Zakres autoskalowania węzłów klastra
- Wytrenowany model przez mlflow.sklearn.log_model
- Alias Unity Catalog przez log_param
Pokaż odpowiedź
Odpowiedź: A. Hiperparametr, np. max_depth, B. Wartość funkcji straty w każdej epoce z argumentem step, D. Wytrenowany model przez mlflow.sklearn.log_model
Parametry, metryki (z krokiem) i modele loguje się ręcznie. Zakres autoskalowania klastra ani alias rejestru nie są wywołaniami logowania runu.
Wywołanie mlflow.log_param bez aktywnego runu zawsze zgłasza błąd.
Pokaż odpowiedź
Odpowiedź: Fałsz
Fałsz. Bez aktywnego runu API fluent samo go rozpoczyna i loguje do niego. Jawne start_run jest jednak czytelniejsze, bo też kończy run.
Przećwicz 8 pytań z tego tematu w Bitzu
Krótkie lekcje, natychmiastowe wyjaśnienia i powtórki tego, w czym się mylisz. Za darmo na iOS i Androida.
