MLflow 처음 시작하기

1. 설치 

• anaconda 설치

conda install conda-forge::mlflow

 

• pip 설치

pip install mlflow

 

2. MLflow로 할 수 있는 일 요약

• 실험 추적(MLflow Tracking): MLflow Tracking을 사용하면 머신러닝 실험의 매개변수, 코드 버전, 메트릭 및 결과 파일(예: 모델)을 기록하고 비교
• 프로젝트(MLflow Projects): MLflow Projects는 머신러닝 코드를 패키징하고 재사용할 수 있는 방법을 제공
• 모델 관리(MLflow Models): MLflow Models는 머신러닝 모델을 다양한 ML 라이브러리에서 사용할 수 있는 표준 포맷으로 패키징
• 모델 서빙(MLflow Model Serving): MLflow를 사용하면 학습된 모델을 실시간으로 예측 서비스로 배포
• 모델 레지스트리(MLflow Model Registry): 모델 레지스트리를 사용하면 모델의 전체 생명주기를 관리

 

3. 간단한 사용 예시 (실험 추적)

3.1. 간단한 실험하기

import mlflow
import mlflow.sklearn
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 데이터셋 로드
boston = load_boston()
X = boston.data
y = boston.target

# 데이터를 학습 세트와 테스트 세트로 분할
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# MLflow 실험 시작
mlflow.start_run()

# 모델 학습
model = LinearRegression()
model.fit(X_train, y_train)

# 예측 및 메트릭 계산
predictions = model.predict(X_test)
mse = mean_squared_error(y_test, predictions)

# 매개변수, 메트릭, 모델 기록
mlflow.log_param("model_type", "linear_regression")
mlflow.log_metric("mse", mse)

# 모델 저장
mlflow.sklearn.log_model(model, "model")

# MLflow 실험 종료
mlflow.end_run()

 

1. MLflow 실험 시작합니다.
mlflow.start_run()

 

2.  매개변수, 메트릭 저장

mlflow.log_param()

mlflow.log_metric()

 

3. 모델 저장

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

 

4. MLflow 실험 종료

mlflow.end_run()

 

3.2. ui 실행

실험을 실행한 후 MLflow UI를 사용하여 기록된 실험 결과를 볼 수 있습니다. MLflow UI를 시작하려면 터미널에서 다음 명령어를 실행하세요

mlflow ui

 

이후에 크롬에서 http://127.0.0.1:5000 를 입력하고 들어가 봅시다.

아래와 같이 페이지가 나오면 성공입니다!