ขั้นตอนที่ 1: การติดตั้ง Python
ต้องติดตั้ง Python บนคอมพิวเตอร์ที่ใช้งานได้ก่อนดำเนินการต่อ เนื่องจากเป็นข้อกำหนดเบื้องต้นสำหรับการเขียนโค้ดใน MLflow ติดตั้งเวอร์ชันล่าสุดของ Python บนแล็ปท็อปหรือคอมพิวเตอร์โดยดาวน์โหลดจากเว็บไซต์อย่างเป็นทางการ ก่อนเริ่มการติดตั้ง โปรดอ่านคำแนะนำอย่างละเอียด ตรวจสอบให้แน่ใจว่าได้เพิ่ม Python ให้กับ PATH ของระบบระหว่างการติดตั้ง
ตรวจสอบการติดตั้ง Python
เพื่อให้แน่ใจว่าติดตั้ง Python บนคอมพิวเตอร์ส่วนบุคคลได้สำเร็จ ให้เปิดพรอมต์คำสั่ง (ใน Windows) หรือเทอร์มินัล (ใน Linux) ป้อนคำสั่ง Python แล้วกดปุ่ม 'Enter' หลังจากดำเนินการคำสั่งสำเร็จ ระบบปฏิบัติการจะแสดงเวอร์ชัน Python บนหน้าต่างเทอร์มินัล ในตัวอย่างต่อไปนี้ มีการติดตั้งเวอร์ชัน Python 3.11.1 บนคอมพิวเตอร์ที่ระบุดังที่แสดงในตัวอย่างต่อไปนี้:
ขั้นตอนที่ 2: ตั้งค่าสภาพแวดล้อมเสมือนจริง
การสร้างสภาพแวดล้อมเสมือนเพื่อแยกการพึ่งพา MLflow ออกจากแพ็คเกจ Python ทั่วทั้งระบบถือเป็นแนวทางที่ดีเยี่ยม แม้ว่าจะไม่จำเป็น แต่ขอแนะนำให้ตั้งค่าสภาพแวดล้อมเสมือนส่วนตัวสำหรับ MLflow เมื่อต้องการทำเช่นนี้ ให้เปิดบรรทัดคำสั่งและไปที่ไดเร็กทอรีโปรเจ็กต์ที่คุณต้องการดำเนินการ เพื่อนำทางไปยัง Python Directory ซึ่งอยู่ภายในโฟลเดอร์ 'Work' บนไดรฟ์ D ขณะที่เราใช้ Windows หากต้องการสร้างสภาพแวดล้อมเสมือน ให้ดำเนินการคำสั่งต่อไปนี้:
หลาม –m venv MLFlow-ENV
คำสั่งดังกล่าวใช้ Python และยอมรับสวิตช์ -m (Make) เพื่อสร้างสภาพแวดล้อมเสมือนในไดเร็กทอรีปัจจุบัน “venv” หมายถึงสภาพแวดล้อมเสมือน และชื่อของสภาพแวดล้อมจะตามด้วย “MLFlow-ENV” ในตัวอย่างนี้ สภาพแวดล้อมเสมือนถูกสร้างขึ้นโดยใช้คำสั่งนี้ตามที่กำหนดในตัวอย่างต่อไปนี้:
หากสร้างสภาพแวดล้อมเสมือนสำเร็จ เราอาจตรวจสอบ 'ไดเร็กทอรีการทำงาน' เพื่อสังเกตว่าคำสั่งที่กล่าวถึงก่อนหน้านี้สร้างโฟลเดอร์ 'MLFlow-ENV' ซึ่งมีไดเร็กทอรีเพิ่มเติมอีกสามไดเร็กทอรีที่มีชื่อดังต่อไปนี้:
- รวม
- ลิบ
- สคริปต์
หลังจากใช้คำสั่งข้างต้น โครงสร้างไดเร็กทอรีของโฟลเดอร์ Python มีลักษณะดังนี้ – มันสร้างสภาพแวดล้อมเสมือนจริงตามรายการต่อไปนี้:
ขั้นตอนที่ 3: เปิดใช้งานสภาพแวดล้อมเสมือน
ในขั้นตอนนี้ เราจะเปิดใช้งานสภาพแวดล้อมเสมือนจริงด้วยความช่วยเหลือของไฟล์แบตช์ที่อยู่ภายในโฟลเดอร์ “สคริปต์” ภาพหน้าจอต่อไปนี้แสดงให้เห็นว่าสภาพแวดล้อมเสมือนทำงานได้หลังจากการเปิดใช้งานสำเร็จ:
ขั้นตอนที่ 4: การติดตั้ง MLflow
ถึงเวลาติดตั้ง MLflow แล้ว หลังจากเปิดใช้งานสภาพแวดล้อมเสมือน (หากคุณเลือกที่จะสร้างสภาพแวดล้อมเสมือน) ให้ติดตั้ง MLflow โดยใช้คำสั่ง pip ดังต่อไปนี้:
pip ติดตั้ง mlflowตัวอย่างต่อไปนี้แสดงให้เห็นว่าการติดตั้ง MLflow กำลังดาวน์โหลดไฟล์ที่ต้องการจากอินเทอร์เน็ต และติดตั้งลงในสภาพแวดล้อมเสมือน:
MLflow จะใช้เวลาพอสมควร ขึ้นอยู่กับความเร็วของอินเทอร์เน็ต หน้าจอต่อไปนี้แสดงให้เห็นถึงความสำเร็จในการติดตั้ง MLflow
บรรทัดสุดท้ายของตัวอย่างระบุว่า pip เวอร์ชันล่าสุดพร้อมใช้งานแล้วในขณะนี้ ขึ้นอยู่กับผู้ใช้ปลายทางว่าจะอัปเดต pip หรือไม่ เวอร์ชันของ pip ที่ติดตั้งจะแสดงเป็นสีแดง “22.3.1” เนื่องจากเรากำลังอัพเกรด pip เป็นเวอร์ชัน 23.2.1 ให้ป้อนคำสั่งที่แสดงต่อไปนี้เพื่อทำการอัปเดตให้เสร็จสมบูรณ์:
หลาม อดีต –m pip ติดตั้ง --อัพเกรด pipหน้าจอต่อไปนี้แสดงการอัพเกรด pip เป็นเวอร์ชัน 23.2.1 ล่าสุด:
ขั้นตอนที่ 5: ยืนยันการติดตั้ง MLflow
การตรวจสอบการติดตั้ง MLflow เป็นขั้นตอนสุดท้ายแต่จำเป็น ถึงเวลาที่ต้องยืนยันว่าการติดตั้ง MLflow สำเร็จหรือไม่ หากต้องการตรวจสอบเวอร์ชัน MLflow ที่ติดตั้งบนพีซีในปัจจุบัน ให้รันคำสั่งต่อไปนี้:
mlflow --versionตัวอย่างต่อไปนี้แสดงว่ามีการติดตั้ง MLflow เวอร์ชัน 2.5.0 บนเครื่องที่ใช้งานได้:
ขั้นตอนที่ 6: เริ่มเซิร์ฟเวอร์ MLflow (ขั้นตอนเพิ่มเติม)
รันคำสั่งถัดไปเพื่อเปิดเซิร์ฟเวอร์ MLflow เพื่อให้อินเทอร์เฟซผู้ใช้บนเว็บพร้อมใช้งาน:
เซิร์ฟเวอร์ mlflowหน้าจอต่อไปนี้แสดงให้เห็นว่าเซิร์ฟเวอร์ทำงานที่ localhost (127.0.0.1) และพอร์ต 5000:
เซิร์ฟเวอร์จะทำงานตามค่าเริ่มต้นที่ไอคอน 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 (+) ถัดจาก 'การทดสอบ' เพื่อเพิ่มการทดลองเพิ่มเติมโดยใช้เว็บอินเตอร์เฟส นี่คือภาพหน้าจอของ UI เว็บของเซิร์ฟเวอร์ MLflow:
วิธีการเปลี่ยนพอร์ตเซิร์ฟเวอร์
โดยทั่วไปเซิร์ฟเวอร์ MLflow จะทำงานบนพอร์ต 5000 แต่สามารถเปลี่ยนพอร์ตเป็นหมายเลขที่ต้องการได้ ทำตามคำแนะนำเหล่านี้เพื่อเปิดเซิร์ฟเวอร์ MLflow บนพอร์ตเฉพาะ:
เปิดหน้าต่างพร้อมรับคำสั่ง PowerShell หรือเทอร์มินัล
กดปุ่ม Windows จากแป้นพิมพ์ จากนั้นกด 'cmd' หรือ 'powershell' แล้วปล่อยปุ่ม
เปิดสภาพแวดล้อมเสมือนที่ติดตั้ง MLflow (สมมติว่าสร้างไว้)
แทนที่ PORT_NUMBER ด้วยหมายเลขพอร์ตที่ต้องการเมื่อเริ่มต้นเซิร์ฟเวอร์ MLflow:
เซิร์ฟเวอร์ mlflow – พอร์ต PORT_NUMBER
รัน mlflow-server-7000 เป็นการสาธิตเพื่อเปิดใช้เซิร์ฟเวอร์ MLflow บนพอร์ตที่ต้องการ:
เซิร์ฟเวอร์ mlflow --port 7000ตอนนี้ เซิร์ฟเวอร์ MLflow จะใช้พอร์ตที่กำหนดโดยเปิดแอปเว็บเบราว์เซอร์และป้อน URL ต่อไปนี้เพื่อเข้าถึง Mlflow web UI แทนที่ PORT_NUMBER ด้วยหมายเลขพอร์ตบังคับ:
http://localhost:PORT_NUMBER
พอร์ตที่เลือกในขั้นตอนก่อนหน้าควรแทนที่ด้วย 'PORT_NUMBER' (ตัวอย่าง: http://localhost:7000 ).
ขั้นตอนที่ 7: หยุดเซิร์ฟเวอร์ MLflow
เมื่อใช้ MLflow เพื่อบันทึกพารามิเตอร์ ติดตามการทดลอง และตรวจสอบผลลัพธ์โดยใช้ UI ของเว็บ โปรดทราบว่าเซิร์ฟเวอร์ MLflow จำเป็นต้องทำงาน
หากต้องการหยุดการทำงานของเซิร์ฟเวอร์ MLflow ให้กด “Ctrl + C” ใน Command Prompt หรือ PowerShell ที่เซิร์ฟเวอร์กำลังทำงานอยู่ นี่คือหน้าจอที่แสดงว่าการทำงานของเซิร์ฟเวอร์หยุดลงเรียบร้อยแล้ว
บทสรุป
ด้วย MLflow ผู้ใช้ปลายทางสามารถจัดการโปรเจ็กต์แมชชีนเลิร์นนิงหลายโปรเจ็กต์ด้วยเฟรมเวิร์กที่แข็งแกร่งและเรียบง่าย ซึ่งช่วยให้สามารถติดตามและเปรียบเทียบการทดลอง จำลองผลลัพธ์ และทำงานร่วมกับสมาชิกในทีมได้สำเร็จเพื่อมุ่งความสนใจไปที่การสร้างและปรับปรุงโมเดลแมชชีนเลิร์นนิงในขณะที่ ทำให้การทดลองมีโครงสร้างและสามารถทำซ้ำได้ด้วยความช่วยเหลือของ MLflow