Compartilhar via

Início Rápido do Python

  • Artigo

O MLflow é uma plataforma de fonte aberta para gerenciar o ciclo de vida de machine learning de ponta a ponta. O MLflow fornece APIs simples para registrar métricas em log (por exemplo, perda de modelo), parâmetros (por exemplo, taxa de aprendizagem) e modelos ajustados, facilitando a análise dos resultados de treinamento ou a implantação posterior de modelos.

Nesta seção:

Instalar o MLflow

Se você estiver usando o Databricks Runtime para Machine Learning, o MLflow já estará instalado. Caso contrário, instale o pacote do MLflow obtido em PyPI.

Registrar automaticamente execuções de treinamento no MLflow

Com o Databricks Runtime 10.4 LTS ML e versões posteriores, o Databricks Autologging é habilitado por padrão e captura automaticamente parâmetros de modelo, métricas, arquivos e informações de linhagem quando você treina modelos de uma variedade de bibliotecas populares de aprendizado de máquina.

Com o Databricks Runtime 9.1 LTS ML, o MLflow fornece APIs mlflow.<framework>.autolog() para registrar automaticamente o código de treinamento escrito em muitas estruturas de ML. Você pode chamar essa API antes de executar o código de treinamento para registrar métricas específicos de modelos, parâmetros e artefatos de modelos.

TensorFlow

Observação

Os modelos Keras também têm suporte no mlflow.tensorflow.autolog().

# Also autoinstruments tf.keras
import mlflow.tensorflow
mlflow.tensorflow.autolog()

XGBoost

import mlflow.xgboost
mlflow.xgboost.autolog()

LightGBM

import mlflow.lightgbm
mlflow.lightgbm.autolog()

scikit-learn

import mlflow.sklearn
mlflow.sklearn.autolog()

PySpark

Se estiver executando ajustes com pyspark.ml, as métricas e os modelos serão registrados automaticamente no MLflow. Confira Apache Spark MLlib e acompanhamento automatizado do MLflow.

Exibir os resultados

Após executar seu código de aprendizado de máquina, você poderá exibir os resultados usando a barra lateral de Execução experimental. Consulte Exibir experimento de notebook para obter instruções sobre como exibir o experimento, a execução e a revisão do notebook usada no início rápido.

Acompanhar métricas, parâmetros e modelos adicionais

Você pode registrar informações adicionais invocando diretamente as APIs de registro em log de Acompanhamento do MLflow.

Métricas numéricas

  import mlflow
  mlflow.log_metric("accuracy", 0.9)

Parâmetros de treinamento

  import mlflow
  mlflow.log_param("learning_rate", 0.001)

Modelos

scikit-learn

 import mlflow.sklearn
 mlflow.sklearn.log_model(model, "myModel")

PySpark

 import mlflow.spark
 mlflow.spark.log_model(model, "myModel")

XGBoost

 import mlflow.xgboost
 mlflow.xgboost.log_model(model, "myModel")

TensorFlow

 import mlflow.tensorflow
 mlflow.tensorflow.log_model(model, "myModel")

Keras

 import mlflow.keras
 mlflow.keras.log_model(model, "myModel")

PyTorch

 import mlflow.pytorch
 mlflow.pytorch.log_model(model, "myModel")

SpaCy

 import mlflow.spacy
 mlflow.spacy.log_model(model, "myModel")

Outros artefatos (arquivos)

   import mlflow
   mlflow.log_artifact("/tmp/my-file", "myArtifactPath")

Blocos de anotações de exemplo

Observação

Com o Databricks Runtime 10.4 LTS ML e superior, o Registro Automático do Databricks é habilitado por padrão, e o código nesses notebooks de exemplo não é necessário. Os notebooks de exemplo nesta seção foram projetados para uso com o Databricks Runtime 9.1 LTS ML.

A maneira recomendada de começar a usar o acompanhamento do MLflow com Python é usar a API do MLflow autolog(). Com os recursos de registro em log automático do MLflow, uma única linha de código registra automaticamente o modelo resultante, os parâmetros usados para criá-lo e uma pontuação do modelo. O notebook a seguir mostra como configurar uma execução usando o registro em log automático.

Notebook Python de início rápido do registro em log automático do MLflow

Obter notebook

Se você precisar de mais controle sobre as métricas registradas para cada execução de treinamento ou se quiser registrar artefatos adicionais, como tabelas ou plotagens, pode usar as funções de API de registro em log do MLflow demonstradas no notebook a seguir.

Notebook Python de início rápido da API de registro em log do MLflow

Obter notebook

Saiba mais