Schritt 1: Installation von Python
Bevor Sie fortfahren, muss Python auf einem funktionierenden Computer installiert sein, da es eine Voraussetzung für das Schreiben des Codes in MLflow ist. Installieren Sie die neueste Version von Python auf dem Laptop oder Computer, indem Sie sie von der offiziellen Website herunterladen. Bevor Sie mit der Installation beginnen, lesen Sie die Anweisungen sorgfältig durch. Stellen Sie sicher, dass Sie Python während der Installation zum Systempfad hinzufügen.
Überprüfen Sie die Installation von Python
Um sicherzustellen, dass Python erfolgreich auf dem PC installiert wurde, öffnen Sie die Eingabeaufforderung (unter Windows) oder das Terminal (unter Linux), geben Sie den Python-Befehl ein und drücken Sie die Eingabetaste. Nach erfolgreicher Ausführung des Befehls zeigt das Betriebssystem die Python-Version im Terminalfenster an. Im folgenden Beispiel wird die Python 3.11.1-Version auf dem angegebenen Computer installiert, wie im folgenden Snippet gezeigt:
Schritt 2: Richten Sie eine virtuelle Umgebung ein
Ein hervorragender Ansatz ist die Schaffung einer virtuellen Umgebung, um die MLflow-Abhängigkeiten von den persönlichen systemweiten Python-Paketen zu trennen. Obwohl dies nicht erforderlich ist, wird die Einrichtung einer privaten virtuellen Umgebung für MLflow dringend empfohlen. Öffnen Sie dazu die Befehlszeile und gehen Sie in das Projektverzeichnis, an dem Sie arbeiten möchten. Um zum Python-Verzeichnis zu navigieren, das sich im Ordner „Work“ auf dem Laufwerk D befindet, wenn wir Windows verwenden. Um eine virtuelle Umgebung zu erstellen, führen Sie den folgenden Befehl aus:
python –m venv MLFlow-ENV
Der oben genannte Befehl verwendet Python und akzeptiert den Schalter -m (Make), um eine virtuelle Umgebung im aktuellen Verzeichnis zu erstellen. „venv“ bezieht sich auf die virtuelle Umgebung, und auf den Namen der Umgebung folgt in diesem Beispiel „MLFlow-ENV“. Die virtuelle Umgebung wird mit diesem Befehl erstellt, wie im folgenden Codeausschnitt dargestellt:
Wenn die virtuelle Umgebung erfolgreich erstellt wurde, überprüfen wir möglicherweise das „Arbeitsverzeichnis“, um festzustellen, dass der zuvor erwähnte Befehl den Ordner „MLFlow-ENV“ erstellt hat, der drei weitere Verzeichnisse mit den folgenden Namen enthält:
- Enthalten
- Lib
- Skripte
Nach Verwendung des oben genannten Befehls sieht die Verzeichnisstruktur des Python-Ordners wie folgt aus: Es wurde eine virtuelle Umgebung erstellt, wie im Folgenden aufgeführt:
Schritt 3: Aktivieren Sie die virtuelle Umgebung
In diesem Schritt aktivieren wir die virtuelle Umgebung mithilfe einer Batch-Datei, die sich im Ordner „Scripts“ befindet. Der folgende Screenshot zeigt, dass die virtuelle Umgebung nach erfolgreicher Aktivierung betriebsbereit ist:
Schritt 4: MLflow installieren
Jetzt ist es an der Zeit, MLflow zu installieren. Nachdem Sie die virtuelle Umgebung aktiviert haben (sofern Sie sich für die Erstellung entschieden haben), installieren Sie den MLflow mit dem Befehl pip wie folgt:
pip mlflow installierenDer folgende Ausschnitt zeigt, dass die MLflow-Installation die erforderlichen Dateien aus dem Internet herunterlädt und sie in der virtuellen Umgebung installiert:
Der MLflow wird je nach Internetgeschwindigkeit einige Zeit dauern. Der folgende Bildschirm zeigt den erfolgreichen Abschluss der MLflow-Installation.
Die letzte Zeile des Snippets gibt an, dass die neueste Version von pip jetzt verfügbar ist; Es liegt am Endbenutzer, ob er Pip aktualisiert oder nicht. Die Version des installierten Pip wird in roter Farbe „22.3.1“ angezeigt. Da wir den Pip auf die Version 23.2.1 aktualisieren, geben Sie den folgenden aufgelisteten Befehl ein, um das Update abzuschließen:
Python. exe –m pip install --upgrade pipDer folgende Bildschirm zeigt das erfolgreiche Upgrade von pip auf die neueste Version 23.2.1:
Schritt 5: Bestätigen Sie die MLflow-Installation
Die Überprüfung der MLflow-Installation ist der letzte, aber wesentliche Schritt. Es ist an der Zeit zu bestätigen, ob die MLflow-Installation erfolgreich war oder nicht. Um die aktuell auf dem PC installierte MLflow-Version zu überprüfen, führen Sie den folgenden Befehl aus:
mlflow --versionDas folgende Snippet zeigt, dass die Version 2.5.0 von MLflow auf dem Arbeitscomputer installiert ist:
Schritt 6: Starten Sie den MLflow-Server (optionaler Schritt)
Führen Sie den folgenden Befehl aus, um den MLflow-Server zu starten, damit die Webbenutzeroberfläche verfügbar ist:
mlflow-ServerDer folgende Bildschirm zeigt, dass der Server auf dem lokalen Host (127.0.0.1) und Port 5000 arbeitet:
Der Server wird standardmäßig mit dem Symbol 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 (+) neben „Experimente“ betrieben, um die zusätzlichen Experimente über die Weboberfläche hinzuzufügen. Hier ist ein Screenshot der Web-Benutzeroberfläche des MLflow-Servers:
So ändern Sie den Server-Port
Der MLflow-Server arbeitet typischerweise auf Port 5000. Der Port kann jedoch auf die bevorzugte Nummer umgestellt werden. Befolgen Sie diese Anweisungen, um den MLflow-Server an einem bestimmten Port zu starten:
Öffnen Sie die Eingabeaufforderung, PowerShell oder das Terminalfenster.
Drücken Sie die Windows-Taste auf der Tastatur. Drücken Sie dann „cmd“ oder „Powershell“ und lassen Sie die Taste los.
Schalten Sie die virtuelle Umgebung ein, in der MLflow installiert ist (vorausgesetzt, es wurde eine erstellt).
Ersetzen Sie PORT_NUMBER durch die gewünschte Portnummer, wenn Sie den MLflow-Server starten:
mlflow-Server –Port PORT_NUMBER
Führen Sie mlflow-server-7000 als Demo aus, um den MLflow-Server am erforderlichen Port zu starten:
mlflow-Server --port 7000Jetzt wird der angegebene Port vom MLflow-Server verwendet, indem Sie die Webbrowser-App starten und die folgende URL eingeben, um auf die Mlflow-Web-Benutzeroberfläche zuzugreifen. Ersetzen Sie PORT_NUMBER durch die obligatorische Portnummer:
http://localhost:PORT_NUMBER
Der im vorherigen Schritt ausgewählte Port sollte durch „PORT_NUMBER“ ersetzt werden (zum Beispiel: http://localhost:7000 ).
Schritt 7: Stoppen Sie den MLflow-Server
Wenn Sie MLflow verwenden, um die Parameter zu protokollieren, die Experimente zu verfolgen und die Ergebnisse mithilfe der Web-Benutzeroberfläche zu untersuchen, müssen Sie bedenken, dass der MLflow-Server in Betrieb sein muss.
Um die Ausführung des MLflow-Servers zu stoppen, drücken Sie „Strg + C“ in der Eingabeaufforderung oder PowerShell, wo der Server ausgeführt wird. Hier ist der Bildschirm, der zeigt, dass der Betrieb des Servers erfolgreich gestoppt wurde.
Abschluss
Mit MLflow kann der Endbenutzer mehrere Projekte für maschinelles Lernen mit einem robusten und einfachen Framework verwalten, das es ermöglicht, die Experimente zu verfolgen und zu vergleichen, die Ergebnisse zu reproduzieren und erfolgreich mit den Teammitgliedern zusammenzuarbeiten, um sich dabei auf die Erstellung und Verbesserung der Modelle für maschinelles Lernen zu konzentrieren Halten Sie die Experimente mithilfe von MLflow strukturiert und wiederholbar.