Налаштування MLflow для трекінгу експериментів
MLflow Tracking – відкритий стандарт для логування ML-експериментів. Параметри, метрики, артефакти, моделі – все в одному місці з можливістю порівняння та відтворення.
Швидкий старт
# Локальный сервер (для разработки)
pip install mlflow
mlflow server --host 0.0.0.0 --port 5000
# Production: с PostgreSQL backend и S3 для артефактов
mlflow server \
--backend-store-uri postgresql://user:pass@localhost/mlflow \
--default-artifact-root s3://my-mlops-bucket/mlflow \
--host 0.0.0.0 --port 5000
Логування експерименту
import mlflow
mlflow.set_tracking_uri("http://mlflow-server:5000")
with mlflow.start_run():
mlflow.log_param("learning_rate", 0.01)
mlflow.log_params({"batch_size": 32, "epochs": 10, "optimizer": "adam"})
# Логирование метрик по эпохам
for epoch in range(10):
train_loss = train_one_epoch(model, train_loader)
val_loss, val_acc = evaluate(model, val_loader)
mlflow.log_metrics({"train_loss": train_loss, "val_loss": val_loss, "val_acc": val_acc}, step=epoch)
# Финальные метрики
mlflow.log_metric("test_f1", 0.924)
# Артефакты
mlflow.log_artifact("confusion_matrix.png")
mlflow.log_dict({"feature_importance": feature_imp}, "artifacts/feature_importance.json")
# Модель
mlflow.sklearn.log_model(model, "model", registered_model_name="my-classifier")
Autologging
# Автоматическое логирование без ручного кода
mlflow.autolog() # включает autolog для всех поддерживаемых фреймворков
# Или для конкретного
mlflow.sklearn.autolog(log_models=True, log_input_examples=True)
mlflow.pytorch.autolog(log_every_n_epoch=1)
mlflow.transformers.autolog()
Docker для виробництва MLflow
services:
mlflow:
image: ghcr.io/mlflow/mlflow:v2.14.0
ports: ["5000:5000"]
environment:
- MLFLOW_S3_ENDPOINT_URL=https://storage.yandexcloud.net
- AWS_ACCESS_KEY_ID=${YC_ACCESS_KEY}
- AWS_SECRET_ACCESS_KEY=${YC_SECRET_KEY}
command: >
mlflow server
--backend-store-uri postgresql://mlflow:${DB_PASS}@postgres:5432/mlflow
--default-artifact-root s3://mlops-bucket/mlflow
--host 0.0.0.0