Mlflow 1. 기본 코드 실행

Mlflow 1. 기본 코드 실행

Contents

1. mlflow 설치하기
2. 예시코드 다운받기 + 경로 이동
3. mlflow_tracking.py 실행
4. 웹 대시보드

1. mlflow 설치하기

$ pip install mlflow

2. 예시 코드 다운받기 + 경로 이동

$ git clone https://github.com/mlflow/mlflow
$ cd mlflow/examples/quickstart

해당 경로에는, 하나의 python 파일이 존재한다 ( mlflow_tracking.py )

3. mlflow_tracking.py 실행

# mlflow_tracking.py

import os
from random import random, randint

from mlflow import log_metric, log_param, log_artifacts

if __name__ == "__main__":
    print("Running mlflow_tracking.py")

    log_param("param1", randint(0, 100))

    log_metric("foo", random())
    log_metric("foo", random() + 1)
    log_metric("foo", random() + 2)

    if not os.path.exists("outputs"):
        os.makedirs("outputs")
    with open("outputs/test.txt", "w") as f:
        f.write("hello world!")

    log_artifacts("outputs")

log_metric : metric을 기록 ( ex) accuracy, RMSE, NLL 등 )

log_param : 모델의 인풋 파라미터 (argument) 값을 기록

log_artifacts : 실험 결과 나온 아티팩트들을 기록

위 코드를 실행해보자.

$ python mlflow_tracking.py
Running mlflow_tracking.py

실험을 하면, 해당 디렉토리 하에 2개의 디렉토리가 생성된다.

• (1) mlruns
• (2) outputs

위 디렉토리들을 보기 쉽게 tree 구조로 확인해보면, 아래와 같다.

위의 tree 구조 해석 :

• mlruns
  • 0 : Experiment (실험) ID
    • 67baa9b0348f47258205f705d334c681 : Run (실행) ID
      • artifacts : log_artifacts의 결과들이 여기에 담긴다
      • metrics : log_metric의 결과들이 여기에 담긴다
      • params : log_param의 결과들이 여기에 담긴다
      • tags
  • meta.yaml
• outputs

예시로, 위의 metrics에 들어가서, 우리가 로깅한 결과값을 확인해보자.

4. 웹 대시보드

$ mlflow ui

[2022-05-06 20:21:34 +0900] [25165] [INFO] Starting gunicorn 20.1.0
[2022-05-06 20:21:34 +0900] [25165] [INFO] Listening at: http://127.0.0.1:5000 (25165)
[2022-05-06 20:21:34 +0900] [25165] [INFO] Using worker: sync
[2022-05-06 20:21:34 +0900] [25166] [INFO] Booting worker with pid: 25166

위의 http://127.0.0.1:5000 로 접속해보자.

방금 전에 실행한 run에 대한 결과가 웹 ui상으로 보기 쉽게 관리되는 것을 알 수 있다.

종료하고 싶다면, 위의 pid (process id)인 25166을 kill하면 된다

$ kill 25165

참고 : https://dailyheumsi.tistory.com