mlflow下載 - mlflow原始碼下載

mlflow

其他源碼

MLflow

下載

MLflow：機器學習生命週期平台

MLflow 是一個簡化機器學習開發的平台，包括追蹤實驗、將程式碼打包成可重複的運行以及共享和部署模型。 MLflow 提供了一組輕量級API，可與任何現有的機器學習應用程式或函式庫（TensorFlow、PyTorch、XGBoost 等）一起使用，無論您目前在何處執行ML 程式碼（例如在筆記本、獨立應用程式或雲中）。 MLflow的目前元件是：

MLflow Tracking：用於記錄機器學習實驗中的參數、程式碼和結果並使用互動式 UI 進行比較的 API。
MLflow 專案：一種使用 Conda 和 Docker 進行可重複運行的程式碼打包格式，因此您可以與其他人共用您的 ML 程式碼。
MLflow 模型：一種模型打包格式和工具，可讓您輕鬆部署相同的模型（來自任何 ML 程式庫），以在 Docker、Apache Spark、Azure ML 和 AWS SageMaker 等平台上進行批次和即時評分。
MLflow 模型登錄：集中式模型儲存、API 集和 UI，用於協作管理 MLflow 模型的整個生命週期。

最新文檔阿帕契 2 許可證總下載量帳戶推特

套餐

皮伊
康達鍛造公司
克蘭
梅文中心

工作狀態

範例操作狀態跨版本測試 r-開發測試要求推播影像慢速測試網站-e2e

安裝中

透過pip install mlflow從 PyPI 安裝 MLflow

MLflow 要求conda位於專案功能的PATH中。

MLflow master 的夜間快照也可在此處取得。

透過pip install mlflow-skinny從 PyPI 安裝 MLflow 的較低依賴項子集可以根據所需場景添加額外的依賴項。例如， pip install mlflow-skinny pandas numpy允許 mlflow.pyfunc.log_model 支援。

文件

MLflow 的官方文件可以在 https://mlflow.org/docs/latest/index.html 找到。

路線圖

目前的 MLflow 路線圖可在 https://github.com/mlflow/mlflow/milestone/3 上取得。我們正在尋求對帶有help wanted標籤的所有路線圖項目的貢獻。請參閱貢獻部分以獲取更多資訊。

社群

有關 MLflow 使用的說明或問題（例如「我該如何做 X？」），請參閱文件或 Stack Overflow。

若要回報錯誤、提交文件問題或提交功能請求，請開啟 GitHub 問題。

有關發佈公告和其他討論，請訂閱我們的郵件清單 ([email protected]) 或加入我們的 Slack。

使用 Tracking API 運行範例應用程式

examples中的程式使用 MLflow Tracking API。例如，運行：

 python 範例/快速入門/mlflow_tracking.py

程式將使用 MLflow Tracking API，該 API 將追蹤資料記錄在./mlruns中。然後可以使用追蹤 UI 進行查看。

啟動追蹤 UI

MLflow Tracking UI 將顯示在 http://localhost:5000 處的./mlruns中記錄的運行。開始：

流量使用者介面

注意：不建議從 MLflow 克隆中運行mlflow ui - 這樣做將從原始程式碼運行開發 UI。我們建議從不同的工作目錄運行 UI，透過--backend-store-uri選項指定後端儲存。或者，請參閱貢獻者指南中有關執行開發 UI 的說明。

從 URI 運行項目

mlflow run指令可讓您從本機路徑或 Git URI 執行使用 MLproject 檔案打包的專案：

 mlflow 運行範例/sklearn_elasticnet_wine -P alpha=0.4

mlflow 執行 https://github.com/mlflow/mlflow-example.git -P alpha=0.4

請參閱examples/sklearn_elasticnet_wine以了解帶有 MLproject 檔案的範例專案。

保存和服務模型

為了說明管理模型， mlflow.sklearn套件可以將 scikit-learn 模型記錄為 MLflow 工件，然後再次載入它們以進行服務。 examples/sklearn_logistic_regression/train.py中有一個範例訓練應用程序，您可以如下執行：

 $ python 範例/sklearn_logistic_regression/train.py
得分：0.666
模型保存在運行 <run-id> 中

$ mlflow 模型服務 --model-uri 運行：/<run-id>/model

$curl -d '{"dataframe_split": {"columns":[0],"index":[0,1],"data":[[1],[-1]]}}' -H '內容-類型：應用程式/json'本機主機：5000/調用

注意：如果使用 MLflow Skinny ( pip install mlflow-skinny ) 進行模型服務，則需要安裝額外的必要依賴項（即flask ）才能使 MLflow 伺服器正常運作。

官方 MLflow Docker 映像

官方 MLflow Docker 映像檔可在 GitHub 容器註冊表 (https://ghcr.io/mlflow/mlflow) 找到。

導出 CR_PAT=YOUR_TOKENecho $CR_PAT | docker login ghcr.io -u USERNAME --password-stdin# 拉取最新版本docker pull ghcr.io/mlflow/mlflow# 拉取2.2.1docker pull ghcr.io/mlflow/mlflow:v2.2.1