MLflow-útmutató

Az MLflow egy nyílt forráskód platform a teljes körű gépi tanulási életciklus kezeléséhez. A következő elsődleges összetevőkkel rendelkezik:

• Nyomon követés: Lehetővé teszi a kísérletek nyomon követését a paraméterek és eredmények rögzítéséhez és összehasonlításához.
• Modellek: Lehetővé teszi a különböző ML-kódtárakból származó modellek kezelését és üzembe helyezését számos modellkiszolgáló és következtetési platformon.
• Projektek: Lehetővé teszi az ML-kód újrafelhasználható, reprodukálható formában történő csomagolását más adatelemzőkkel való megosztáshoz vagy az éles környezetbe való átvitelhez.
• Modellregisztrációs adatbázis: Lehetővé teszi egy modelltároló központosítását a modellek teljes életciklus-fázisát érintő átmenetek kezeléséhez: az előkészítéstől az éles környezetig, verziószámozási és jegyzetkészítési képességekkel.
• Modellkiszolgáló: Lehetővé teszi az MLflow-modellek REST-végpontként való üzemeltetését.

Az Azure Databricks az MLflow teljes körűen felügyelt és üzemeltetett verzióját biztosítja, amely integrálva van a vállalati biztonsági funkciókkal, a magas rendelkezésre állással és más Azure Databricks-munkaterületi funkciókkal, például a kísérletekkel és futtatáskezeléssel és a jegyzetfüzetek változatának rögzítésével. Az Azure Databricks MLflow szolgáltatása integrált felületet biztosít a gépi tanulási modellek betanítási futtatásainak és a gépi tanulási projektek futtatásának nyomon követéséhez és biztonságossá tételéhez.

Az első felhasználónak a rövid útmutatóval kell kezdenie, amely bemutatja az MLflow-nyomkövetési API-kat. A következő cikkek bemutatják az egyes MLflow-összetevőket példajegyzetfüzetekkel, és ismertetik, hogyan üzemeltetik ezeket az összetevőket az Azure Databricksben.

Az MLflow támogatja a Java, a Python, az R és a REST API-kat.

Az MLflow-adatokat az Azure Databricks egy platform által felügyelt kulccsal titkosítja. Az ügyfél által felügyelt kulcsok felügyelt szolgáltatásokhoz való engedélyezése használatával végzett titkosítás nem támogatott.

• Az MLflow-kísérletek használatának első lépései
• Gépi tanulási betanítási futtatások nyomon követése
• MLflow-modellek naplózása, betöltése, regisztrálása és üzembe helyezése
• MLflow-projektek futtatása az Azure Databricksben
• MLflow-modell beállításjegyzéke az Azure Databricksben
• A Databricks automatikus naplózása
• MLflow-objektumok másolása munkaterületek között
• Oktatóanyag: Teljes körű gépi tanulási modellek az Azure Databricksben