Passaggio 1: installazione di Python
Python deve essere installato su un computer funzionante prima di procedere perché è un prerequisito per scrivere il codice in MLflow. Installa la versione più recente di Python sul laptop o sul computer scaricandola dal sito Web ufficiale. Prima di iniziare l'installazione leggere attentamente le istruzioni. Assicurati di aggiungere Python al PATH del sistema durante l'installazione.
Verifica l'installazione di Python
Per assicurarti che Python sia stato installato correttamente sul personal computer, apri il prompt dei comandi (in Windows) o il terminale (in Linux), inserisci il comando Python e premi il pulsante 'Invio'. Dopo aver eseguito con successo il comando, il sistema operativo visualizza la versione di Python nella finestra del terminale. Nell'esempio seguente, la versione Python 3.11.1 è installata sul computer specificato, come mostrato nel seguente frammento:
Passaggio 2: configurare un ambiente virtuale
Creare un ambiente virtuale per separare le dipendenze di MLflow dai pacchetti Python personali a livello di sistema è un approccio eccellente. Sebbene non sia obbligatorio, è fortemente consigliabile configurare un ambiente virtuale privato per MLflow. Per fare ciò, apri la riga di comando e vai alla directory del progetto su cui vuoi lavorare. Per accedere alla directory Python che si trova all'interno della cartella 'Lavoro' sull'unità D poiché utilizziamo Windows. Per creare un ambiente virtuale, esegui il comando successivo:
python –m venv MLFlow-ENV
Il comando sopra menzionato utilizza Python e accetta l'opzione -m (Make) per creare un ambiente virtuale nella directory corrente. 'venv' si riferisce all'ambiente virtuale e in questo esempio il nome dell'ambiente è seguito da 'MLFlow-ENV'. L'ambiente virtuale viene creato con l'uso di questo comando come indicato nel seguente frammento:
Se la creazione dell'ambiente virtuale è avvenuta con successo, potremmo controllare la “Directory di lavoro” per osservare che il comando menzionato in precedenza ha prodotto la cartella “MLFlow-ENV” che ha altre tre directory con i seguenti nomi:
- Includere
- Lib
- Script
Dopo aver utilizzato il comando sopra menzionato, ecco come appare la struttura della directory della cartella Python: ha prodotto un ambiente virtuale come elencato di seguito:
Passaggio 3: attiva l'ambiente virtuale
In questo passaggio, attiviamo l'ambiente virtuale con l'aiuto di un file batch che si trova all'interno della cartella 'Scripts'. La seguente schermata dimostra che l'ambiente virtuale è operativo dopo un'attivazione riuscita:
Passaggio 4: installazione di MLflow
Ora è il momento di installare MLflow. Dopo aver attivato l'ambiente virtuale (se hai scelto di crearne uno), installa MLflow utilizzando il comando pip come segue:
pip installa mlflowIl seguente frammento mostra che l'installazione di MLflow sta scaricando i file richiesti da Internet e installandoli nell'ambiente virtuale:
L'MLflow richiederà del tempo, a seconda della velocità di Internet. La schermata seguente dimostra il corretto completamento dell'installazione di MLflow.
L'ultima riga dello snippet indica che la versione più recente di pip è ora disponibile; spetta all'utente finale se aggiornare pip o meno. La versione del pip installato viene visualizzata in colore rosso “22.3.1”. Poiché stiamo aggiornando pip alla versione 23.2.1, inserisci il seguente comando elencato per completare l'aggiornamento:
pitone. exe –m pip install --upgrade pipLa schermata seguente mostra l'aggiornamento riuscito di pip all'ultima versione 23.2.1:
Passaggio 5: confermare l'installazione di MLflow
La verifica dell'installazione di MLflow è il passaggio finale ma essenziale. È ora di confermare se l'installazione di MLflow ha avuto esito positivo o meno. Per verificare la versione di MLflow attualmente installata sul PC, esegui il comando seguente:
mlflow --versionIl seguente frammento mostra che la versione 2.5.0 di MLflow è installata sul computer funzionante:
Passaggio 6: avviare il server MLflow (passaggio facoltativo)
Eseguire il comando successivo per avviare il server MLflow in modo che l'interfaccia utente Web sia disponibile:
server mlflowLa schermata seguente dimostra che il server funziona sull'host locale (127.0.0.1) e sulla porta 5000:
Il server funzionerà per impostazione predefinita con l'icona 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 (+) accanto a 'Esperimenti' per aggiungere ulteriori esperimenti utilizzando l'interfaccia web. Ecco uno screenshot dell'interfaccia utente Web del server MLflow:
Come cambiare la porta del server
Il server MLflow in genere funziona sulla porta 5000. Tuttavia, la porta può essere commutata sul numero preferito. Segui queste istruzioni per avviare il server MLflow su una porta specifica:
Apri il prompt dei comandi, PowerShell o la finestra del terminale.
Premi il tasto Windows sulla tastiera. Quindi, premere 'cmd' o 'powershell' e rilasciare il tasto.
Attiva l'ambiente virtuale in cui è installato MLflow (supponendo che ne abbia creato uno).
Sostituisci PORT_NUMBER con il numero di porta desiderato all'avvio del server MLflow:
server mlflow –porta PORT_NUMBER
Esegui mlflow-server-7000 come demo per avviare il server MLflow sulla porta richiesta:
server mlflow --porta 7000Ora, la porta designata verrà utilizzata dal server MLflow avviando l'app del browser Web e inserendo il seguente URL per accedere all'interfaccia utente Web Mlflow. Sostituisci PORT_NUMBER con il numero di porta obbligatorio:
http://localhost:PORT_NUMBER
La porta selezionata nel passaggio precedente deve essere sostituita con 'PORT_NUMBER' (ad esempio: http://localhost:7000 ).
Passaggio 7: arrestare il server MLflow
Quando utilizzi MLflow per registrare i parametri, tenere traccia degli esperimenti ed esaminare i risultati utilizzando l'interfaccia utente Web, tieni presente che il server MLflow deve essere operativo.
Per interrompere l'esecuzione del server MLflow, premere 'Ctrl + C' nel prompt dei comandi o in PowerShell in cui è in esecuzione il server. Ecco la schermata che mostra che il funzionamento del server è stato interrotto correttamente.
Conclusione
Con MLflow, l'utente finale può gestire più progetti di machine learning con un framework robusto e semplice che consente di tracciare e confrontare gli esperimenti, replicare i risultati e lavorare con successo con i membri del team per concentrarsi sulla creazione e sul miglioramento dei modelli di machine learning mentre mantenere gli esperimenti strutturati e ripetibili con l'aiuto di MLflow.