翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

トレーニング中にメトリクス、パラメータ、MLflowモデルをログに記録する

MLflow 追跡サーバーに接続したら、 を使用してメトリクス、パラメータ、MLflowモデルMLflowSDKをログに記録できます。

トレーニングメトリクスをログに記録する

MLflow トレーニング実行mlflow.log_metric内で を使用してメトリクスを追跡します。を使用したメトリクスのログ記録の詳細についてはMLflow、「」を参照してくださいmlflow.log_metric。

with mlflow.start_run():
    mlflow.log_metric("foo", 1)
    
print(mlflow.search_runs())

このスクリプトは、実験の実行を作成し、次のような出力を生成します。

run_id experiment_id status artifact_uri ... tags.mlflow.source.name tags.mlflow.user tags.mlflow.source.type tags.mlflow.runName
0 607eb5c558c148dea176d8929bd44869 0 FINISHED s3://dddd/0/607eb5c558c148dea176d8929bd44869/a... ... file.py user-id LOCAL experiment-code-name

MLflow UI 内では、この例は次のようになります。

[Run Name] を選択すると、実行の詳細が表示されます。

パラメータとモデルをログに記録する

次の例では、 を使用して基本的なモデルトレーニングワークフローを実行しSKLearn、MLflow実験実行でそのモデルを追跡する方法を示します。この例では、パラメータ、メトリクス、モデルアーティファクトをログに記録します。

import mlflow

from mlflow.models import infer_signature

import pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# This is the ARN of the MLflow Tracking Server you created
mlflow.set_tracking_uri(your-tracking-server-arn)
mlflow.set_experiment("some-experiment")

# Load the Iris dataset
X, y = datasets.load_iris(return_X_y=True)

# Split the data into training and test sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Define the model hyperparameters
params = {"solver": "lbfgs", "max_iter": 1000, "multi_class": "auto", "random_state": 8888}

# Train the model
lr = LogisticRegression(**params)
lr.fit(X_train, y_train)

# Predict on the test set
y_pred = lr.predict(X_test)

# Calculate accuracy as a target loss metric
accuracy = accuracy_score(y_test, y_pred)

# Start an MLflow run and log parameters, metrics, and model artifacts
with mlflow.start_run():
    # Log the hyperparameters
    mlflow.log_params(params)

    # Log the loss metric
    mlflow.log_metric("accuracy", accuracy)

    # Set a tag that we can use to remind ourselves what this run was for
    mlflow.set_tag("Training Info", "Basic LR model for iris data")

    # Infer the model signature
    signature = infer_signature(X_train, lr.predict(X_train))

    # Log the model
    model_info = mlflow.sklearn.log_model(
        sk_model=lr,
        artifact_path="iris_model",
        signature=signature,
        input_example=X_train,
        registered_model_name="tracking-quickstart",
    )

MLflow UI 内で、左側のナビゲーションペインで実験名を選択して、関連するすべての実行を調べます。[Run Name] を選択すると、各実行に関する詳細情報が表示されます。この例の場合、この実行の実験実行ページは次のように表示されます。

この例では、ロジスティック回帰モデルをログに記録しています。MLflow UI 内には、記録されたモデルアーティファクトも表示されます。