Instalowanie MLflow: instrukcja krok po kroku dotycząca instalacji MLflow

Krok 1: Instalacja Pythona

Przed kontynuowaniem należy zainstalować język Python na działającym komputerze, ponieważ jest to warunek wstępny napisania kodu w MLflow. Zainstaluj najnowszą wersję Pythona na laptopie lub komputerze, pobierając ją z oficjalnej strony internetowej. Przed przystąpieniem do montażu należy uważnie zapoznać się z instrukcją. Pamiętaj, aby dodać Pythona do systemowej PATH podczas instalacji.

Sprawdź instalację języka Python

Aby upewnić się, że Python został pomyślnie zainstalowany na komputerze osobistym, otwórz wiersz poleceń (w systemie Windows) lub terminal (w systemie Linux), wpisz polecenie Python i naciśnij przycisk „Enter”. Po pomyślnym wykonaniu polecenia system operacyjny wyświetli w oknie terminala wersję Pythona. W poniższym przykładzie wersja Pythona 3.11.1 jest instalowana na określonym komputerze, jak pokazano w następującym fragmencie:

Krok 2: Skonfiguruj środowisko wirtualne

Stworzenie środowiska wirtualnego w celu oddzielenia zależności MLflow od osobistych pakietów Pythona obejmujących cały system jest doskonałym podejściem. Chociaż nie jest to wymagane, zdecydowanie zaleca się skonfigurowanie prywatnego środowiska wirtualnego dla MLflow. Aby to zrobić, otwórz wiersz poleceń i przejdź do katalogu projektu, nad którym chcesz pracować. Aby przejść do katalogu Pythona, który znajduje się w folderze „Praca” na dysku D, ponieważ używamy systemu Windows. Aby zbudować środowisko wirtualne, wykonaj kolejne polecenie:

Wyżej wymienione polecenie używa Pythona i akceptuje przełącznik -m (Make), aby utworzyć środowisko wirtualne w bieżącym katalogu. „venv” odnosi się do środowiska wirtualnego, a w tym przykładzie po nazwie środowiska następuje „MLFlow-ENV”. Za pomocą tego polecenia tworzone jest środowisko wirtualne, jak podano w poniższym fragmencie:

Jeśli środowisko wirtualne zostanie pomyślnie utworzone, możemy sprawdzić „Katalog roboczy” i zauważyć, że wspomniane wcześniej polecenie utworzyło folder „MLFlow-ENV”, który zawiera trzy kolejne katalogi o następujących nazwach:

• Włączać
• Lib
• Skrypty

Po użyciu powyższego polecenia, oto jak wygląda struktura katalogów folderu Pythona – utworzyło ono środowisko wirtualne, jak pokazano poniżej:

Krok 3: Aktywuj środowisko wirtualne

W tym kroku aktywujemy środowisko wirtualne za pomocą pliku wsadowego znajdującego się w folderze „Skrypty”. Poniższy zrzut ekranu pokazuje, że środowisko wirtualne działa po udanej aktywacji:

Krok 4: Instalacja MLflow

Teraz czas zainstalować MLflow. Po aktywowaniu środowiska wirtualnego (jeśli zdecydowałeś się je utworzyć) zainstaluj MLflow za pomocą polecenia pip w następujący sposób:

Poniższy fragment pokazuje, że instalacja MLflow pobiera wymagane pliki z Internetu i instaluje je w środowisku wirtualnym:

MLflow zajmie trochę czasu, w zależności od szybkości Internetu. Poniższy ekran przedstawia pomyślne zakończenie instalacji MLflow.

Ostatnia linia fragmentu wskazuje, że dostępna jest najnowsza wersja pip; od użytkownika końcowego zależy, czy zaktualizować pip, czy nie. Wersja zainstalowanego pipa jest wyświetlana w kolorze czerwonym „22.3.1”. Ponieważ aktualizujemy pip do wersji 23.2.1, wprowadź następujące polecenie z listy, aby ukończyć aktualizację:

Poniższy ekran pokazuje pomyślną aktualizację pip do najnowszej wersji 23.2.1:

Krok 5: Potwierdź instalację MLflow

Weryfikacja instalacji MLflow jest ostatnim, ale niezbędnym krokiem. Czas sprawdzić, czy instalacja MLflow przebiegła pomyślnie, czy nie. Aby sprawdzić wersję MLflow aktualnie zainstalowaną na komputerze, uruchom następujące polecenie:

Poniższy fragment pokazuje, że na działającym komputerze zainstalowana jest wersja MLflow 2.5.0:

Krok 6: Uruchom serwer MLflow (krok opcjonalny)

Uruchom kolejne polecenie, aby uruchomić serwer MLflow i udostępnić internetowy interfejs użytkownika:

Poniższy ekran pokazuje, że serwer działa na hoście lokalnym (127.0.0.1) i porcie 5000:

Serwer będzie domyślnie działał pod ikoną 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 (+) obok „Eksperymenty”, aby dodać dodatkowe eksperymenty za pomocą interfejsu internetowego. Oto zrzut ekranu interfejsu internetowego serwera MLflow:

Jak zmienić port serwera

Serwer MLflow zazwyczaj działa na porcie 5000. Port można jednak przełączyć na preferowany numer. Postępuj zgodnie z poniższymi instrukcjami, aby uruchomić serwer MLflow na określonym porcie:

Otwórz wiersz poleceń, program PowerShell lub okno terminala.
Naciśnij klawisz Windows na klawiaturze. Następnie naciśnij „cmd” lub „powershell” i zwolnij klawisz.
Włącz środowisko wirtualne, w którym zainstalowany jest MLflow (zakładając, że takowe zostało utworzone).
Zastąp PORT_NUMBER żądanym numerem portu podczas uruchamiania serwera MLflow:

serwer mlflow –port PORT_NUMBER

Uruchom mlflow-server-7000 jako wersję demonstracyjną, aby uruchomić serwer MLflow na wymaganym porcie:

Teraz wyznaczony port będzie używany przez serwer MLflow po uruchomieniu aplikacji przeglądarki internetowej i wprowadzeniu następującego adresu URL, aby uzyskać dostęp do interfejsu internetowego Mlflow. Zamień PORT_NUMBER na obowiązkowy numer portu:

http://localhost:PORT_NUMBER

Port wybrany w poprzednim kroku należy zastąpić „NUMER_PORTU” (na przykład: http://localhost:7000 ).

Krok 7: Zatrzymaj serwer MLflow

Korzystając z MLflow do rejestrowania parametrów, śledzenia eksperymentów i sprawdzania wyników za pomocą internetowego interfejsu użytkownika, należy pamiętać, że serwer MLflow musi działać.

Aby zatrzymać wykonywanie serwera MLflow, naciśnij „Ctrl + C” w wierszu poleceń lub PowerShell, gdzie działa serwer. Oto zrzut ekranu pokazujący, że praca serwera została pomyślnie zatrzymana.

Wniosek

Dzięki MLflow użytkownik końcowy może zarządzać wieloma projektami uczenia maszynowego za pomocą solidnej i prostej struktury, która umożliwia śledzenie i porównywanie eksperymentów, replikowanie wyników i pomyślną współpracę z członkami zespołu, aby skoncentrować się na tworzeniu i ulepszaniu modeli uczenia maszynowego, jednocześnie utrzymywanie struktury i powtarzalności eksperymentów za pomocą MLflow.