Εγκατάσταση του MLflow: Μια βήμα προς βήμα Οδηγία για την εγκατάσταση του MLflow

Βήμα 1: Εγκατάσταση Python

Η Python πρέπει να εγκατασταθεί σε έναν υπολογιστή που λειτουργεί πριν προχωρήσετε, επειδή είναι απαραίτητη προϋπόθεση για τη σύνταξη του κώδικα σε MLflow. Εγκαταστήστε την πιο πρόσφατη έκδοση της Python στον φορητό υπολογιστή ή τον υπολογιστή κατεβάζοντάς την από τον επίσημο ιστότοπο. Πριν ξεκινήσετε την εγκατάσταση, διαβάστε προσεκτικά τις οδηγίες. Φροντίστε να προσθέσετε Python στο σύστημα PATH κατά την εγκατάσταση.

Επαληθεύστε την εγκατάσταση της Python

Για να βεβαιωθείτε ότι η Python έχει εγκατασταθεί με επιτυχία στον προσωπικό υπολογιστή, ανοίξτε τη γραμμή εντολών (στα Windows) ή το τερματικό (σε Linux), πληκτρολογήστε την εντολή Python και πατήστε το κουμπί «Enter». Μετά την επιτυχή εκτέλεση της εντολής, το λειτουργικό σύστημα εμφανίζει την έκδοση Python στο παράθυρο του τερματικού. Στο παρακάτω παράδειγμα, η έκδοση Python 3.11.1 είναι εγκατεστημένη στον καθορισμένο υπολογιστή όπως φαίνεται στο ακόλουθο απόσπασμα:

Βήμα 2: Ρυθμίστε ένα εικονικό περιβάλλον

Η δημιουργία ενός εικονικού περιβάλλοντος για τον διαχωρισμό των εξαρτήσεων MLflow από τα προσωπικά πακέτα Python σε όλο το σύστημα είναι μια εξαιρετική προσέγγιση. Αν και δεν απαιτείται, συνιστάται η δημιουργία ενός ιδιωτικού εικονικού περιβάλλοντος για το MLflow. Για να το κάνετε αυτό, ανοίξτε τη γραμμή εντολών και μεταβείτε στον κατάλογο του έργου στον οποίο θέλετε να εργαστείτε. Για να πλοηγηθείτε στον Κατάλογο της Python που βρίσκεται μέσα στο φάκελο 'Work' στη μονάδα δίσκου D καθώς χρησιμοποιούμε τα Windows. Για να δημιουργήσετε ένα εικονικό περιβάλλον, εκτελέστε την επόμενη εντολή:

Η προαναφερθείσα εντολή χρησιμοποιεί Python και δέχεται τον διακόπτη -m (Make) για να δημιουργήσει ένα εικονικό περιβάλλον στον τρέχοντα κατάλογο. Το 'venv' αναφέρεται στο εικονικό περιβάλλον και το όνομα του περιβάλλοντος ακολουθείται από το 'MLFlow-ENV' σε αυτό το παράδειγμα. Το εικονικό περιβάλλον δημιουργείται με τη χρήση αυτής της εντολής όπως δίνεται στο ακόλουθο απόσπασμα:

Εάν το εικονικό περιβάλλον δημιουργηθεί επιτυχώς, μπορούμε να ελέγξουμε τον 'Κατάλογο εργασίας' για να παρατηρήσουμε ότι η εντολή που αναφέρθηκε προηγουμένως παρήγαγε τον φάκελο 'MLFlow-ENV', ο οποίος έχει τρεις ακόμη καταλόγους με τα ακόλουθα ονόματα:

• Περιλαμβάνω
• Lib
• Σενάρια

Μετά τη χρήση της προαναφερθείσας εντολής, δείτε πώς φαίνεται η δομή καταλόγου του φακέλου Python - παρήγαγε ένα εικονικό περιβάλλον όπως παρατίθεται παρακάτω:

Βήμα 3: Ενεργοποιήστε το εικονικό περιβάλλον

Σε αυτό το βήμα, ενεργοποιούμε το εικονικό περιβάλλον με τη βοήθεια ενός αρχείου δέσμης που βρίσκεται μέσα στο φάκελο «Σενάρια». Το ακόλουθο στιγμιότυπο οθόνης δείχνει ότι το εικονικό περιβάλλον είναι λειτουργικό μετά από μια επιτυχημένη ενεργοποίηση:

Βήμα 4: Εγκατάσταση του MLflow

Τώρα, ήρθε η ώρα να εγκαταστήσετε το MLflow. Αφού ενεργοποιήσετε το εικονικό περιβάλλον (αν επιλέξατε να δημιουργήσετε ένα), εγκαταστήστε το MLflow χρησιμοποιώντας την εντολή pip ως εξής:

Το ακόλουθο απόσπασμα δείχνει ότι η εγκατάσταση MLflow πραγματοποιεί λήψη των απαιτούμενων αρχείων από το Διαδίκτυο και εγκατάσταση τους στο εικονικό περιβάλλον:

Η ροή ML θα πάρει κάποιο χρόνο, ανάλογα με την ταχύτητα του Διαδικτύου. Η ακόλουθη οθόνη δείχνει την επιτυχή ολοκλήρωση της εγκατάστασης MLflow.

Η τελευταία γραμμή του αποσπάσματος υποδεικνύει ότι η πιο πρόσφατη έκδοση του pip είναι τώρα διαθέσιμη. Εναπόκειται στον τελικό χρήστη να ενημερώσει το pip ή όχι. Η έκδοση του εγκατεστημένου pip εμφανίζεται με κόκκινο χρώμα '22.3.1'. Εφόσον αναβαθμίζουμε το pip στην έκδοση 23.2.1, εισαγάγετε την ακόλουθη εντολή για να ολοκληρώσετε την ενημέρωση:

Η ακόλουθη οθόνη δείχνει την επιτυχή αναβάθμιση του pip στην πιο πρόσφατη έκδοση 23.2.1:

Βήμα 5: Επιβεβαιώστε την εγκατάσταση MLflow

Η επαλήθευση της εγκατάστασης MLflow είναι το τελευταίο αλλά ουσιαστικό βήμα. Ήρθε η ώρα να επιβεβαιώσετε εάν η εγκατάσταση MLflow είναι επιτυχής ή όχι. Για να ελέγξετε την έκδοση MLflow που είναι εγκατεστημένη αυτήν τη στιγμή στον υπολογιστή, εκτελέστε την ακόλουθη εντολή:

Το ακόλουθο απόσπασμα δείχνει ότι η έκδοση 2.5.0 του MLflow είναι εγκατεστημένη στο μηχάνημα εργασίας:

Βήμα 6: Εκκίνηση του διακομιστή MLflow (προαιρετικό βήμα)

Εκτελέστε την επόμενη εντολή για να εκκινήσετε τον διακομιστή MLflow έτσι ώστε η διεπαφή χρήστη ιστού να είναι διαθέσιμη:

Η ακόλουθη οθόνη δείχνει ότι ο διακομιστής λειτουργεί στον localhost (127.0.0.1) και στη θύρα 5000:

Ο διακομιστής θα λειτουργεί από προεπιλογή στο 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 (+) εικονίδιο δίπλα στο 'Πειράματα' για να προσθέσετε τα πρόσθετα πειράματα χρησιμοποιώντας τη διεπαφή ιστού. Ακολουθεί ένα στιγμιότυπο οθόνης της διεπαφής web του διακομιστή MLflow:

Πώς να αλλάξετε τη θύρα διακομιστή

Ο διακομιστής MLflow συνήθως λειτουργεί στη θύρα 5000. Ωστόσο, η θύρα μπορεί να αλλάξει στον προτιμώμενο αριθμό. Ακολουθήστε αυτές τις οδηγίες για να εκκινήσετε τον διακομιστή MLflow σε μια συγκεκριμένη θύρα:

Ανοίξτε το παράθυρο Command Prompt, PowerShell ή Terminal.
Πατήστε το πλήκτρο Windows από το πληκτρολόγιο. Στη συνέχεια, πατήστε το 'cmd' ή το 'powershell' και αφήστε το κλειδί.
Ενεργοποιήστε το εικονικό περιβάλλον όπου είναι εγκατεστημένο το MLflow (υποθέτοντας ότι το έκανε).
Αντικαταστήστε το PORT_NUMBER με τον επιθυμητό αριθμό θύρας κατά την εκκίνηση του διακομιστή MLflow:

Διακομιστής mlflow – θύρα PORT_NUMBER

Εκτελέστε το mlflow-server-7000 ως επίδειξη για την εκκίνηση του διακομιστή MLflow στην απαιτούμενη θύρα:

Τώρα, η καθορισμένη θύρα θα χρησιμοποιηθεί από τον διακομιστή MLflow εκκινώντας την εφαρμογή προγράμματος περιήγησης ιστού και εισαγάγετε την ακόλουθη διεύθυνση URL για πρόσβαση στη διεπαφή ιστού Mlflow. Αντικαταστήστε το PORT_NUMBER με τον υποχρεωτικό αριθμό θύρας:

http://localhost:PORT_NUMBER

Η θύρα που επιλέχθηκε στο προηγούμενο βήμα θα πρέπει να αντικατασταθεί με το 'PORT_NUMBER' (για παράδειγμα: http://localhost:7000 ).

Βήμα 7: Διακοπή του διακομιστή MLflow

Όταν χρησιμοποιείτε το MLflow για την καταγραφή των παραμέτρων, την παρακολούθηση των πειραμάτων και την εξέταση των αποτελεσμάτων χρησιμοποιώντας τη διεπαφή ιστού, λάβετε υπόψη ότι ο διακομιστής MLflow πρέπει να λειτουργεί.

Για να σταματήσετε την εκτέλεση του διακομιστή MLflow, πατήστε 'Ctrl + C' στη γραμμή εντολών ή στο PowerShell όπου εκτελείται ο διακομιστής. Εδώ είναι η οθόνη που δείχνει ότι η λειτουργία του διακομιστή διακόπηκε με επιτυχία.

συμπέρασμα

Με το MLflow, ο τελικός χρήστης μπορεί να διαχειριστεί πολλά έργα μηχανικής εκμάθησης με ένα ισχυρό και απλό πλαίσιο που επιτρέπει την παρακολούθηση και σύγκριση των πειραμάτων, την αναπαραγωγή των αποτελεσμάτων και την επιτυχή συνεργασία με τα μέλη της ομάδας για να επικεντρωθεί στη δημιουργία και τη βελτίωση των μοντέλων μηχανικής μάθησης ενώ διατηρώντας τα πειράματα δομημένα και επαναλαμβανόμενα με τη βοήθεια του MLflow.