[PYTHON] Verwenden von MLflow mit Databricks ③ - Modelllebenszyklusmanagement -

Einführung

Ich schreibe über die Verwendung von MLflow, einer Open Source-Methode zur Verwaltung des Lebenszyklus eines maschinellen Lernmodells, auf der Databricks-Benutzeroberfläche.

Verwenden von MLflow mit Databricks ① - Experimentelles Tracking auf Notebook- Verwenden von MLflow mit Databricks ② - Visualisierung experimenteller Parameter und Metriken-

Dies ist eine Fortsetzung dieses Artikels. Der von Databricks verwaltete MLflow ermöglicht auch das Staging trainierter Modelle auf der Benutzeroberfläche. Dieses Mal werde ich darüber schreiben.

Modellregistrierung

Es ist ein Vergleichsbildschirm für jedes Experiment des vorherigen Artikels. Angenommen, Sie verschieben das Modell ganz links von hier in die Produktion. Wechseln Sie von der Lauf-ID zur einzelnen Seite. image.png

Gehen Sie zur einzelnen Seite und scrollen Sie nach unten. Wenn Sie das Artefakt "Modell" auswählen, wird "Modell registrieren" angezeigt. Klicken Sie darauf. image.png

Geben Sie das Modell und den Modellnamen ein und registrieren Sie sich. Beim erstmaligen Erstellen eines Modells kann nur "+ Neues Modell erstellen" ausgewählt werden. Wenn jedoch ein registriertes Modell vorhanden ist, kann dieses Modell ausgewählt werden. In diesem Fall wird es als eine andere Version des vorhandenen Modells registriert. image.png

Nach der Registrierung können Sie zu den einzelnen Seiten des Modells wechseln. Sie können es aus dem Teil verschieben, in dem der Modellname und die Version auf der rechten Seite des Bildschirms geschrieben sind, oder aus "Modelle" in der linken Seitenleiste. Dieses Mal werden wir von der Seitenleiste weggehen. image.png

Das registrierte Modell und die Version werden angezeigt. Klicken Sie auf die Version, die den Lebenszyklus verwaltet. image.png

Lebenszyklusverwaltung

Sie können von "Quelllauf" der einzelnen Seite zur einzelnen Seite der entsprechenden Lauf-ID wechseln. Ich würde gerne sofort inszenieren. image.png

Wenn Sie auf den Stage-Teil klicken, können Sie den geänderten Stage-Status aus dem Pulldown-Menü auswählen. Es gibt drei Arten von Phasen: "Inszenierung", "Produktion" und "Archiviert". Sie können wählen, ob Sie jede Anforderung anfordern und dann ändern oder direkt ändern möchten. image.png

Wählen Sie diesmal "Übergang anfordern zu → Staging". Kommentar hinzufügen und ok. image.png

Die Anfrage wird im Abschnitt "Ausstehende Anfragen" angezeigt. Mitglieder, die Zugriff auf dieses Modell haben, können genehmigen oder ablehnen. (Die Person, die die Anfrage gestellt hat, kann auch stornieren.) Versuchen Sie zu genehmigen. image.png

Fügen Sie einen Kommentar hinzu und bestätigen Sie. image.png

Es ist aus den ausstehenden Anforderungen verschwunden und Stage wechselt zu "Staging". image.png

Scrollen Sie nach unten, um den Verlauf anzuzeigen. image.png

abschließend

Dieses Mal schrieb ich über das Modelllebenszyklusmanagement. Das nächste Mal möchte ich über das Aufrufen des Modells schreiben, wenn das Modell erstellt wird, das in Produktion gehen soll.

Recommended Posts

Verwenden von MLflow mit Databricks ③ - Modelllebenszyklusmanagement -
Verwenden Sie MLflow mit Databricks ④ - Anrufmodell -
Verwenden von MLflow mit Databricks ① - Experimentelles Tracking auf Notebooks -
Verwenden von MLflow mit Databricks ② - Visualisierung experimenteller Parameter und Metriken -
Verwenden von Python und MeCab mit Azure Databricks
Maschinelles Lernen mit Bildern der Kategorie Caffe -1 unter Verwendung eines Referenzmodells
[Zusammenfassung] Objekterkennungsmodell "End-to-End-Objekterkennung mit Transformatoren" mit Transformer
Routineverwaltung mit Kalender
Regression mit einem linearen Modell