[MLOps] MLflow Tracking

 

 

 

이번 포스팅은 MLflow의 주요 기능 중 하나인 Tracking이다.

MLflow 실험한 것들을 데이터로 남기는 기능이며,

어디에/ 어떤 것을/ 어떻게 Tracking 하는지 톺아보자. 

 

 

 

만약, MLflow의 개념을 먼저 알고 싶다면 이곳에 들었다 오자.

[이전 포스팅: https://mengu.tistory.com/16?category=927678 ]

[MLOps] MLflow 시작 & 개념 정리

 

 

 

---

 

 

 

MLflow Tracking

is organized around the concept of runs, which are executions of some piece of data science code. Each run records the following information

 

 

참고 URL - https://www.mlflow.org/docs/latest/tracking.html

MLflow Tracking — MLflow 1.25.1 documentation

 

 

Tracking 저장 데이터 종류 & 저장소

 

1) Code Version

2) Start & End Time

3) Source

4) Parameters

5) Metrics

6) Artifacts

 

Tracking을 하면 일단 로컬 폴더(mlruns)에 저장된다. 하지만 SQL 데이터베이스, Tracking server를 설정하여 이곳에 저장되도록 할 수 있다. 

 

 

 

 

1) Experiments 만들기

 

먼저, Tracking을 하기 전에 실험실을 만들어야 한다. 그 안에서 행한 것들이 Tracking 된다고 보면 된다. 

 

$ export MLFLOW_EXPERIMENT_NAME=[Experiment name]

$ mlflow experiments create --experiment-name [Experiment name]

 

위의 명령어를 통해, 원하는 디렉터리에 실험실을 개설할 수 있다. 그리고 Tracking 되는 데이터들은 /mlruns/{실험실 번호}에 저장된다.

 

 

 

 

base.py 파일을 하나 만들어서 다음 코드를 입력해주자.

# Launch a run. The experiment is inferred from the MLFLOW_EXPERIMENT_NAME environment
# variable, or from the --experiment-name parameter passed to the MLflow CLI (the latter
# taking precedence)
with mlflow.start_run():
    mlflow.log_param("a", 1)
    mlflow.log_metric("b", 2)

$ python base_ml.py

 

 

파일을 실행하면 /mlruns/0/ 에 데이터가 기록된 것을 확인할 수 있다. 

 

 

$ mlflow ui
INFO:waitress:Serving on http://127.0.0.1:5000

 

 

 

 

MLflow ui에서도 잘 Tracking 된 것을 확인할 수 있다.