ML_FLOW

• ml_flow 개념이해

• ml_flow 4가지 컴포넌트 기능을 알기
  - ml_flow Tracking
  - 어느 환경에서나 사용 가능하며 공유 가능함

  • ml_flow Projects
    • git repository 비슷하다.
  • ml_flow Models
    • 모델을 모델 파일과 코드로 저장
      • 다양한 플랫폼 에 배포 가능한 여러 도구 제공
  • ml_flow model registry
    • 모델을 저장,관리하는 저장소
      • 생성 모델 serving 할때 사용함

  ml_flow 구성요소

  

• ml_flow 서버와 클라이언트 실행 방법

• 기록해 두어야 할것
  - 모델 소스코드 , 하이퍼 파라미터

  • 활용한 라이브러리 데이터 전처리 코드

ml_flow 핵심기능

• Experiment Management and Tracking(실험 관리와 트래킹)
  머신러닝의 metric, loss 등의 실험 내용들을 추적하여 각 실험들의 내용과 결과 저장
  하나의 MLflow 서버를 두고 여럿이서 각자 자기 실험을 한 곳에 저장할 수도 있음
  실험 내용 뿐만 아니라 실험에 사용한 코드, 하이퍼파라미터, 가중치 파일 등도 저장
• Model Registry(모델 저장소)
  MLflow로 실험을 진행한 모델들을 model registry라는 저장소에 등록할 수 있음
  이 때 버저닝이 자동으로 기록되고, 저장소에 등록된 모델은 다른 사람들에게 쉽게
  공유가 가능
  ML 실험의 github나 도커 같은 역할을 함
• Model Serving(모델 배포)
  model register에 등록된 모델을 REST API 형태의 서버로 Serving할 수 있음

• 공식 문서
https://mlflow.org
https://mlflow.org/docs/latest/models.html#scikit-learn-sklearn
https://www.mlflow.org/docs/latest/concepts.html

• 디렉토리 생성후 가상황경 생성
  - python -m venv 가장환경이름
  - 진입후
  - pip install mlflow
  - python mlflow_tracking.py
  
• 아래 폴더 자동 생성
  
• tree mlruns/
  
• 서버 실행
• mlflow ui
  

모델의 상세정보(train data, parameter등 상세하게 볼수있음)

• 절대경로
  
• mlruns/ 위치 와 inference 파일이 위치 동일 해야함
• runs:/실험ID/artifacts폴더