Etapa 1: instalação do Python
O Python deve ser instalado em um computador funcional antes de continuar, pois é um pré-requisito para escrever o código no MLflow. Instale a versão mais recente do Python no laptop ou computador baixando-a do site oficial. Antes de iniciar a instalação, leia atentamente as instruções. Certifique-se de adicionar Python ao PATH do sistema durante a instalação.
Verifique a instalação do Python
Para ter certeza de que o Python foi instalado com sucesso no computador pessoal, abra o prompt de comando (no Windows) ou terminal (no Linux), digite o comando Python e pressione o botão “Enter”. Após a execução bem-sucedida do comando, o sistema operacional exibe a versão do Python na janela do terminal. No exemplo a seguir, a versão Python 3.11.1 está instalada no computador especificado, conforme mostrado no trecho a seguir:
Etapa 2: configurar um ambiente virtual
Criar um ambiente virtual para separar as dependências do MLflow dos pacotes Python pessoais de todo o sistema é uma abordagem excelente. Embora não seja obrigatório, é altamente recomendável configurar um ambiente virtual privado para MLflow. Para fazer isso, abra a linha de comando e vá até o diretório do projeto no qual deseja trabalhar. Para navegar até o diretório Python que está dentro da pasta “Work” na unidade D, pois estamos usando o Windows. Para construir um ambiente virtual, execute o comando subsequente:
python –m venv MLFlow-ENV
O comando mencionado acima usa Python e aceita a opção -m (Make) para criar um ambiente virtual no diretório atual. O “venv” refere-se ao ambiente virtual, e o nome do ambiente é seguido por “MLFlow-ENV” neste exemplo. O ambiente virtual é criado com o uso deste comando conforme fornecido no seguinte trecho:
Se o ambiente virtual for criado com sucesso, podemos verificar o “Diretório de trabalho” para observar que o comando mencionado anteriormente produziu a pasta “MLFlow-ENV” que possui mais três diretórios com os seguintes nomes:
- Incluir
- Biblioteca
- Roteiros
Depois de usar o comando mencionado acima, esta é a aparência da estrutura de diretórios da pasta Python – ela produziu um ambiente virtual conforme listado a seguir:
Passo 3: Ative o Ambiente Virtual
Nesta etapa ativamos o ambiente virtual com o auxílio de um arquivo batch que está localizado dentro da pasta “Scripts”. A captura de tela a seguir demonstra que o ambiente virtual está operacional após uma ativação bem-sucedida:
Etapa 4: instalando o MLflow
Agora é hora de instalar o MLflow. Após ativar o ambiente virtual (se você optou por criar um), instale o MLflow usando o comando pip da seguinte forma:
pip instalar mlflowO trecho a seguir mostra que a instalação do MLflow está baixando os arquivos necessários da Internet e instalando-os no ambiente virtual:
O MLflow levará algum tempo, dependendo da velocidade da internet. A tela a seguir demonstra a conclusão bem-sucedida da instalação do MLflow.
A última linha do snippet indica que a versão mais recente do pip já está disponível; cabe ao usuário final atualizar o pip ou não. A versão do pip instalado é exibida na cor vermelha “22.3.1”. Como estamos atualizando o pip para a versão 23.2.1, digite o seguinte comando listado para concluir a atualização:
Pitão. exe –m pip instalar --upgrade pipA tela a seguir mostra a atualização bem-sucedida do pip para a versão 23.2.1 mais recente:
Etapa 5: confirme a instalação do MLflow
Verificar a instalação do MLflow é a etapa final, mas essencial. É hora de confirmar se a instalação do MLflow foi bem-sucedida ou não. Para verificar a versão do MLflow que está atualmente instalada no PC, execute o seguinte comando:
mlflow --versãoO trecho a seguir mostra que a versão 2.5.0 do MLflow está instalada na máquina em funcionamento:
Etapa 6: iniciar o servidor MLflow (etapa opcional)
Execute o comando subsequente para iniciar o servidor MLflow para que a interface do usuário da web esteja disponível:
servidor mlflowA tela a seguir demonstra que o servidor está operando no localhost (127.0.0.1) e na porta 5000:
O servidor operará por padrão no ícone 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 (+) próximo a “Experimentos” para adicionar experimentos adicionais usando a interface da web. Aqui está uma captura de tela da IU da web do servidor MLflow:
Como alterar a porta do servidor
O servidor MLflow normalmente opera na porta 5000. No entanto, a porta pode ser comutada para o número preferido. Siga estas instruções para iniciar o servidor MLflow em uma porta específica:
Abra o prompt de comando, PowerShell ou janela do terminal.
Pressione a tecla Windows no teclado. Em seguida, pressione “cmd” ou “powershell” e solte a tecla.
Ligue o ambiente virtual onde o MLflow está instalado (supondo que ele tenha sido criado).
Substitua PORT_NUMBER pelo número da porta desejada ao iniciar o servidor MLflow:
servidor mlflow –porta PORT_NUMBER
Execute o mlflow-server-7000 como uma demonstração para iniciar o servidor MLflow na porta necessária:
servidor mlflow --porta 7.000Agora, a porta designada será usada pelo servidor MLflow iniciando o aplicativo do navegador da web e inserindo o seguinte URL para acessar a IU da web do Mlflow. Substitua PORT_NUMBER pelo número da porta obrigatória:
http://localhost:PORT_NUMBER
A porta selecionada na etapa anterior deve ser substituída por “PORT_NUMBER” (por exemplo: http://localhost:7000 ).
Etapa 7: parar o servidor MLflow
Ao usar o MLflow para registrar os parâmetros, acompanhar os experimentos e examinar os resultados usando a UI da web, lembre-se de que o servidor MLflow precisa estar funcionando.
Para interromper a execução do servidor MLflow, pressione “Ctrl + C” no prompt de comando ou PowerShell onde o servidor está sendo executado. Aqui está a tela mostrando que o funcionamento do servidor foi interrompido com sucesso.
Conclusão
Com o MLflow, o usuário final pode gerenciar vários projetos de aprendizado de máquina com uma estrutura simples e robusta que permite rastrear e comparar os experimentos, replicar os resultados e trabalhar com sucesso com os membros da equipe para se concentrar na criação e melhoria dos modelos de aprendizado de máquina enquanto mantendo os experimentos estruturados e repetíveis com a ajuda do MLflow.