Funktionen von MLflow

• 3 Minuten

MLflow besteht aus vier Komponenten:

• MLflow-Tracking
• MLflow-Projekte
• MLflow-Modelle
• MLflow-Modellregistrierung

MLflow-Tracking

Mithilfe der MLflow-Nachverfolgung können wissenschaftliche Fachkräfte für Daten mit Experimenten arbeiten, in denen sie Daten verarbeiten und analysieren oder Machine Learning-Modelle trainieren. Für jede Ausführung in einem Experiment kann eine wissenschaftliche Fachkraft für Daten Parameterwerte, die verwendeten Versionen von Bibliotheken, Modellauswertungsmetriken und generierte Ausgabedateien protokollieren, einschließlich Bildern von Datenvisualisierungen und Modelldateien. Diese Möglichkeit, wichtige Details zu Experimentausführungen zu protokollieren, ermöglicht es, die Ergebnisse früherer Modelltrainingsausführungen zu überwachen und zu vergleichen.

MLflow-Projekte

Ein MLflow-Projekt ist eine Möglichkeit, Code zur konsistenten Bereitstellung und zur Reproduzierbarkeit der Ergebnisse in einem Paket zusammenzufassen. MLflow unterstützt mehrere Umgebungen für Projekte, darunter die Verwendung von Conda und Docker, um konsistente Umgebungen zur Python-Codeausführung zu definieren.

MLflow-Modelle

MLflow bietet ein standardisiertes Format für die Verpackung von Modellen für die Verteilung. Dieses standardisierte Modellformat gestattet MLflow die Arbeit mit Modellen, die aus mehreren gängigen Bibliotheken generiert wurden, beispielsweise Scikit-Learn, PyTorch oder MLlib.

MLflow-Modellregistrierung

Die MLflow-Modellregistrierung ermöglicht es wissenschaftlichen Fachkräften für Daten, trainierte Modelle zu registrieren. MLflow-Modelle und MLflow-Projekte verwenden die MLflow-Modellregistrierung, um Machine Learning-Technikern das Bereitstellen von Modellen zur Nutzung durch Clientanwendungen zu ermöglichen.