[PYTHON] Verwenden von MLflow mit Databricks ② - Visualisierung experimenteller Parameter und Metriken -

Einführung

In diesem vorherigen Artikel habe ich darüber geschrieben, wie die Geschichte des Trainings von Modellen für maschinelles Lernen mit MLflow auf Databricks in ein Notizbuch integriert werden kann.

Verwenden von MLflow mit Databricks ① - Experimentelles Tracking auf Notebook-

Mit dem von Databricks verwalteten MLflow können Sie die Parameter und Metriken des Trainingsmodells vergleichen, Ihr Modell bereitstellen und vieles mehr auf der Benutzeroberfläche.

In diesem Artikel schreibe ich über den Teil, der die Parameter und Metriken für jedes Experiment visualisiert und vergleicht.

UI-Bildschirm für jedes Experiment

Klicken Sie auf dem Bildschirm, auf dem Sie die Metriken für jedes Experiment auf dem Notizbuch im vorherigen Artikel überprüft haben, auf den roten Rahmen in der Abbildung.

Sie werden zu einem Bildschirm weitergeleitet, auf dem die Informationen für jedes Experiment zusammengefasst sind. Sie sehen Metriken, Parameter, integrierte Notizbücher und mehr.

Scrollen Sie nach unten, um Modell- und Voreinstellungsdaten, Screenshots der Versuchsergebnisse usw. als Artefaktdateien zu speichern.

Wenn MLflow in das Notizbuch integriert ist, wird die Experiment-ID automatisch zugewiesen und run_id wird für jedes Ausführungsergebnis zugewiesen und verwaltet. Die Artefaktdatei wird in einem Verzeichnis in DBFS gespeichert.

Vergleich jedes Experiments

Klicken Sie im Notizbuch auf den roten Rahmen in der Abbildung unten rechts neben "Läufe".

Eine Liste jedes Experiments wird angezeigt.

Wählen Sie das Experiment aus, das Sie vergleichen möchten, und klicken Sie auf "Vergleichen".

Sie können Parameter und Metriken vergleichen. Durch Klicken auf jede Lauf-ID gelangen Sie zur jeweiligen Seite für das obige Experiment.

Scrollen Sie nach unten, um Parameter und Metriken zu visualisieren und zu vergleichen.

abschließend

Dieses Mal haben wir experimentelle Parameter und Metriken auf der Databricks-Benutzeroberfläche visualisiert und verglichen. Das nächste Mal möchte ich über die Inszenierung schreiben, um das trainierte Modell in die Produktion zu bringen.

Vorheriger Artikel: Verwenden von MLflow mit Databricks ① - Experimentelles Tracking auf Notebook-