Komma igång med MLflow-experiment
Den här samlingen med notebook-filer visar hur du kan komma igång med MLflow-experimentkörningar.
MLflow-komponenter
MLflow är en plattform med öppen källkod för hantering av maskininlärningslivscykeln från början till slut. MLflow har tre primära komponenter:
- Spårning
- Modeller
- Projekt
Med MLflow Tracking-komponenten kan du logga och fråga maskinmodellträningssessioner (körningar) med hjälp av följande API:er:
En MLflow-körning är en samling parametrar, mått, taggar och artefakter som är associerade med en maskininlärningsmodellträningsprocess.
Vad är experiment i MLflow?
Experiment är den primära organisationsenheten i MLflow. Alla MLflow-körningar tillhör ett experiment. Med varje experiment kan du visualisera, söka och jämföra körningar, samt ladda ned körningsartefakter eller metadata för analys i andra verktyg. Experiment underhålls på en Azure Databricks-värdbaserad MLflow-spårningsserver.
Experiment finns i arbetsytans filträd. Du hanterar experiment med samma verktyg som du använder för att hantera andra arbetsyteobjekt, till exempel mappar, notebook-filer och bibliotek.
MLflow-exempelanteckningsböcker
Följande notebook-filer visar hur du skapar och loggar till en MLflow-körning med hjälp av API:erna för MLflow-spårning samt hur du använder experimentgränssnittet för att visa körningen. Dessa notebook-filer är tillgängliga i Python, Scala och R.
Python- och R-notebook-filerna använder ett notebook-experiment. Scala-notebook-filen skapar ett experiment i Shared mappen.
Kommentar
Med Databricks Runtime 10.4 LTS ML och senare aktiveras Automatisk databricks-loggning som standard för Python-notebook-filer.