Paso 1: instalación de Python
Python debe instalarse en una computadora que funcione antes de continuar porque es un requisito previo para escribir el código en MLflow. Instale la versión más reciente de Python en la computadora portátil o computadora descargándola del sitio web oficial. Antes de comenzar la instalación, lea atentamente las instrucciones. Asegúrese de agregar Python a la RUTA del sistema durante la instalación.
Verificar la instalación de Python
Para asegurarse de que Python se haya instalado correctamente en la computadora personal, abra el símbolo del sistema (en Windows) o la terminal (en Linux), ingrese el comando Python y presione el botón 'Entrar'. Después de la ejecución exitosa del comando, el sistema operativo muestra la versión de Python en la ventana de la terminal. En el siguiente ejemplo, la versión Python 3.11.1 se instala en la computadora especificada como se muestra en el siguiente fragmento:
Paso 2: configurar un entorno virtual
Crear un entorno virtual para separar las dependencias de MLflow de los paquetes Python personales de todo el sistema es un enfoque excelente. Aunque no es obligatorio, se recomienda encarecidamente configurar un entorno virtual privado para MLflow. Para hacer esto, abra la línea de comando y vaya al directorio del proyecto en el que desea trabajar. Navegar al directorio de Python que se encuentra dentro de la carpeta 'Trabajo' en la unidad D mientras usamos Windows. Para construir un entorno virtual, ejecute el siguiente comando:
Python –m venv MLFlow-ENV
El comando antes mencionado usa Python y acepta el modificador -m (Make) para crear un entorno virtual en el directorio actual. 'venv' se refiere al entorno virtual y, en este ejemplo, el nombre del entorno va seguido de 'MLFlow-ENV'. El entorno virtual se crea con el uso de este comando como se indica en el siguiente fragmento:
Si el entorno virtual se crea correctamente, podríamos verificar el 'Directorio de trabajo' para observar que el comando mencionado anteriormente produjo la carpeta 'MLFlow-ENV' que tiene tres directorios más con los siguientes nombres:
- Incluir
- librería
- Guiones
Después de usar el comando antes mencionado, así es como se ve la estructura de directorios de la carpeta Python: produjo un entorno virtual como se detalla a continuación:
Paso 3: active el entorno virtual
En este paso activamos el entorno virtual con la ayuda de un archivo por lotes que se encuentra dentro de la carpeta “Scripts”. La siguiente captura de pantalla demuestra que el entorno virtual está operativo después de una activación exitosa:
Paso 4: instalar MLflow
Ahora es el momento de instalar MLflow. Después de activar el entorno virtual (si optó por crear uno), instale MLflow usando el comando pip de la siguiente manera:
instalación de pip mlflowEl siguiente fragmento muestra que la instalación de MLflow descarga los archivos necesarios de Internet y los instala en el entorno virtual:
El MLflow tardará algún tiempo, dependiendo de la velocidad de Internet. La siguiente pantalla demuestra la finalización exitosa de la instalación de MLflow.
La última línea del fragmento indica que la versión más reciente de pip ya está disponible; Depende del usuario final actualizar pip o no. La versión del pip instalado se muestra en color rojo “22.3.1”. Dado que estamos actualizando pip a la versión 23.2.1, ingrese el siguiente comando enumerado para completar la actualización:
pitón. exe –m instalación de pip --actualizar pipLa siguiente pantalla muestra la actualización exitosa de pip a la última versión 23.2.1:
Paso 5: Confirme la instalación de MLflow
Verificar la instalación de MLflow es el paso final pero esencial. Es hora de confirmar si la instalación de MLflow se realizó correctamente o no. Para verificar la versión de MLflow que está instalada actualmente en la PC, ejecute el siguiente comando:
mlflow --versiónEl siguiente fragmento muestra que la versión 2.5.0 de MLflow está instalada en la máquina en funcionamiento:
Paso 6: Inicie el servidor MLflow (paso opcional)
Ejecute el siguiente comando para iniciar el servidor MLflow para que la interfaz de usuario web esté disponible:
servidor mlflowLa siguiente pantalla demuestra que el servidor está funcionando en el host local (127.0.0.1) y el puerto 5000:
El servidor funcionará de forma predeterminada en el icono 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 (+) junto a 'Experimentos' para agregar experimentos adicionales mediante la interfaz web. Aquí hay una captura de pantalla de la interfaz de usuario web del servidor MLflow:
Cómo cambiar el puerto del servidor
El servidor MLflow normalmente opera en el puerto 5000. Sin embargo, el puerto se puede cambiar al número preferido. Siga estas instrucciones para iniciar el servidor MLflow en un puerto específico:
Abra el símbolo del sistema, PowerShell o la ventana Terminal.
Presione la tecla de Windows desde el teclado. Luego, presione “cmd” o “powershell” y suelte la tecla.
Encienda el entorno virtual donde está instalado MLflow (suponiendo que haya creado uno).
Reemplace PORT_NUMBER con el número de puerto deseado al iniciar el servidor MLflow:
servidor mlflow –puerto PORT_NUMBER
Ejecute mlflow-server-7000 como demostración para iniciar el servidor MLflow en el puerto requerido:
servidor mlflow --puerto 7000Ahora, el servidor MLflow utilizará el puerto designado iniciando la aplicación del navegador web e ingresando la siguiente URL para acceder a la interfaz de usuario web de Mlflow. Reemplace PORT_NUMBER con el número de puerto obligatorio:
http://localhost:PORT_NUMBER
El puerto seleccionado en el paso anterior debe sustituirse por “NÚMERO_PUERTO” (por ejemplo: http://localhost:7000 ).
Paso 7: Detenga el servidor MLflow
Cuando utilice MLflow para registrar los parámetros, realizar un seguimiento de los experimentos y examinar los resultados mediante la interfaz de usuario web, tenga en cuenta que el servidor MLflow debe estar operativo.
Para detener la ejecución del servidor MLflow, presione 'Ctrl + C' en el símbolo del sistema o PowerShell donde se está ejecutando el servidor. Aquí está la pantalla que muestra que el funcionamiento del servidor se detuvo correctamente.
Conclusión
Con MLflow, el usuario final puede gestionar múltiples proyectos de aprendizaje automático con un marco sólido y simple que permite rastrear y comparar los experimentos, replicar los resultados y trabajar exitosamente con los miembros del equipo para concentrarse en crear y mejorar los modelos de aprendizaje automático mientras manteniendo los experimentos estructurados y repetibles con la ayuda de MLflow.