Adım 1: Python'un Kurulumu
Devam etmeden önce Python'un çalışan bir bilgisayara yüklenmesi gerekir çünkü bu, MLflow'da kod yazmanın ön koşuludur. Python’un en son sürümünü resmi web sitesinden indirerek dizüstü bilgisayarınıza veya bilgisayarınıza yükleyin. Kuruluma başlamadan önce talimatları dikkatlice okuyun. Kurulum sırasında Python'u sistem PATH'sine eklediğinizden emin olun.
Python Kurulumunu Doğrulayın
Python'un kişisel bilgisayara başarıyla kurulduğundan emin olmak için komut istemini (Windows'ta) veya terminali (Linux'ta) açın, Python komutunu girin ve 'Enter' düğmesine basın. Komutun başarılı bir şekilde yürütülmesinden sonra, işletim sistemi Python sürümünü terminal penceresinde görüntüler. Aşağıdaki örnekte Python 3.11.1 sürümü, aşağıdaki kod parçasında gösterildiği gibi belirtilen bilgisayara kurulur:
Adım 2: Sanal Ortam Kurun
MLflow bağımlılıklarını sistem çapındaki kişisel Python paketlerinden ayırmak için sanal bir ortam oluşturmak mükemmel bir yaklaşımdır. Zorunlu olmasa da MLflow için özel bir sanal ortam kurulması önemle tavsiye edilir. Bunu yapmak için komut satırını açın ve üzerinde çalışmak istediğiniz proje dizinine gidin. Windows kullandığımız için D sürücüsündeki “Work” klasörünün içindeki Python Dizinine gitmek için. Sanal bir ortam oluşturmak için aşağıdaki komutu yürütün:
python –m venv MLFlow-ENV
Yukarıda belirtilen komut Python'u kullanır ve geçerli dizinde sanal bir ortam oluşturmak için -m (Make) anahtarını kabul eder. 'venv' sanal ortamı ifade eder ve bu örnekte ortamın adının ardından 'MLFlow-ENV' gelir. Bu komutun kullanılmasıyla aşağıdaki kod parçasında belirtildiği gibi sanal ortam oluşturulur:
Sanal ortam başarılı bir şekilde oluşturulduysa, daha önce bahsedilen komutun aşağıdaki adlara sahip üç dizine daha sahip olan “MLFlow-ENV” klasörünü ürettiğini gözlemlemek için “Çalışma dizini”ni kontrol edebiliriz:
- Katmak
- kitap
- Kodlar
Yukarıda belirtilen komutu kullandıktan sonra Python klasörünün dizin yapısı şu şekilde görünüyor; aşağıda listelendiği gibi bir sanal ortam oluşturdu:
3. Adım: Sanal Ortamı Etkinleştirin
Bu adımda “Scripts” klasörü içerisinde yer alan bir toplu iş dosyası yardımıyla sanal ortamı aktif hale getiriyoruz. Aşağıdaki ekran görüntüsü, başarılı bir etkinleştirme sonrasında sanal ortamın çalışır durumda olduğunu göstermektedir:
4. Adım: MLflow'u yükleme
Şimdi MLflow'u kurmanın zamanı geldi. Sanal ortamı etkinleştirdikten sonra (bir tane oluşturmayı seçtiyseniz), aşağıdaki gibi pip komutunu kullanarak MLflow'u yükleyin:
pip mlflow'u yükleyinAşağıdaki kod parçası, MLflow kurulumunun gerekli dosyaları internetten indirip sanal ortama kurduğunu göstermektedir:
MLflow internetin hızına bağlı olarak biraz zaman alacaktır. Aşağıdaki ekran MLflow kurulumunun başarıyla tamamlandığını göstermektedir.
Parçacığın son satırı pip'in en son sürümünün şu anda mevcut olduğunu gösterir; pip'in güncellenip güncellenmeyeceği son kullanıcıya kalmıştır. Kurulu pip'in versiyonu kırmızı renkte “22.3.1” olarak görüntülenir. Pip'i 23.2.1 sürümüne yükselttiğimizden, güncellemeyi tamamlamak için aşağıdaki listelenen komutu girin:
piton. exe –m pip kurulumu --pip yükseltmeAşağıdaki ekran pip'in en son 23.2.1 sürümüne başarıyla yükseltilmesini göstermektedir:
5. Adım: MLflow Kurulumunu Onaylayın
MLflow kurulumunun doğrulanması son fakat önemli adımdır. MLflow kurulumunun başarılı olup olmadığını doğrulamanın zamanı geldi. Şu anda bilgisayarda yüklü olan MLflow sürümünü kontrol etmek için aşağıdaki komutu çalıştırın:
mlflow --versiyonAşağıdaki kod parçası, çalışan makinede MLflow'un 2.5.0 sürümünün yüklü olduğunu gösterir:
Adım 6: MLflow Sunucusunu başlatın (İsteğe Bağlı Adım)
Web kullanıcı arayüzünün kullanılabilmesi için MLflow sunucusunu başlatmak üzere sonraki komutu çalıştırın:
mlflow sunucusuAşağıdaki ekran, sunucunun localhost (127.0.0.1) ve port 5000'de çalıştığını göstermektedir:
Sunucu, web arayüzünü kullanarak ek deneyleri eklemek için “Deneyler”in yanındaki http://localhost:5000. To access the Web Interface for MLflow, browse this URL in the web browser application. The server runs on port number 5000. The “Experiments and Models” menu tabs are present in the MLflow web interface. Similarly, two other links—GitHub and Docs—are on the left side. Click the plus (+) simgesinde varsayılan olarak çalışacaktır. MLflow sunucusunun web kullanıcı arayüzünün ekran görüntüsü:
Sunucu Bağlantı Noktası Nasıl Değiştirilir
MLflow sunucusu genellikle 5000 numaralı bağlantı noktasında çalışır. Ancak bağlantı noktası tercih edilen numaraya değiştirilebilir. MLflow sunucusunu belirli bir bağlantı noktasında başlatmak için bu talimatları izleyin:
Komut İstemi, PowerShell veya Terminal Penceresini açın.
Klavyeden Windows tuşuna basın. Ardından “cmd” veya “powershell” tuşuna basın ve tuşu bırakın.
MLflow'un kurulu olduğu sanal ortamı açın (bir tane oluşturduğunu varsayarak).
MLflow sunucusunu başlatırken PORT_NUMBER'ı istediğiniz bağlantı noktası numarasıyla değiştirin:
mlflow sunucusu – bağlantı noktası PORT_NUMBER
MLflow sunucusunu gerekli bağlantı noktasında başlatmak için mlflow-server-7000'i demo olarak çalıştırın:
mlflow sunucusu --port 7000Artık belirlenen bağlantı noktası, web tarayıcısı uygulamasını başlatarak ve Mlflow web kullanıcı arayüzüne erişmek için aşağıdaki URL'yi girerek MLflow sunucusu tarafından kullanılacaktır. PORT_NUMBER'ı zorunlu bağlantı noktası numarasıyla değiştirin:
http://localhost:PORT_NUMBER
Önceki adımda seçilen bağlantı noktası 'PORT_NUMBER' ile değiştirilmelidir (örneğin: http://localhost:7000 ).
Adım 7: MLflow Sunucusunu Durdurun
Parametreleri günlüğe kaydetmek, deneyleri izlemek ve web kullanıcı arayüzünü kullanarak sonuçları incelemek için MLflow'u kullanırken, MLflow sunucusunun çalışıyor olması gerektiğini unutmayın.
MLflow sunucusunun yürütülmesini durdurmak için, Komut İsteminde veya sunucunun çalıştığı PowerShell'de “Ctrl + C” tuşlarına basın. Sunucunun çalışmasının başarıyla durdurulduğunu gösteren ekrandır.
Çözüm
MLflow ile son kullanıcı, deneyleri takip edip karşılaştırmaya, sonuçları çoğaltmaya ve makine öğrenimi modellerini oluşturmaya ve geliştirmeye odaklanmak için ekip üyeleriyle başarılı bir şekilde çalışmaya olanak tanıyan sağlam ve basit bir çerçeveyle birden fazla makine öğrenimi projesini yönetebilir. MLflow'un yardımıyla deneyleri yapılandırılmış ve tekrarlanabilir tutmak.