Installation de MLflow : une instruction étape par étape sur l'installation de MLflow

Étape 1 : Installation de Python

Python doit être installé sur un ordinateur en état de marche avant de continuer car c'est une condition préalable à l'écriture du code dans MLflow. Installez la version la plus récente de Python sur l'ordinateur portable ou l'ordinateur en la téléchargeant depuis le site officiel. Avant de commencer l'installation, lisez attentivement les instructions. Assurez-vous d'ajouter Python au PATH du système lors de l'installation.

Vérifier l'installation de Python

Pour vous assurer que Python a été installé avec succès sur l'ordinateur personnel, ouvrez l'invite de commande (sous Windows) ou le terminal (sous Linux), entrez la commande Python et appuyez sur le bouton « Entrée ». Après l'exécution réussie de la commande, le système d'exploitation affiche la version Python sur la fenêtre du terminal. Dans l'exemple suivant, la version Python 3.11.1 est installée sur l'ordinateur spécifié, comme indiqué dans l'extrait suivant :

Étape 2 : configurer un environnement virtuel

Créer un environnement virtuel pour séparer les dépendances MLflow des packages Python personnels à l'échelle du système est une excellente approche. Bien que cela ne soit pas obligatoire, la configuration d'un environnement virtuel privé pour MLflow est fortement conseillée. Pour ce faire, ouvrez la ligne de commande et accédez au répertoire du projet sur lequel vous souhaitez travailler. Pour accéder au répertoire Python qui se trouve dans le dossier « Work » sur le lecteur D car nous utilisons Windows. Pour créer un environnement virtuel, exécutez la commande suivante :

La commande susmentionnée utilise Python et accepte le commutateur -m (Make) pour créer un environnement virtuel dans le répertoire actuel. Le « venv » fait référence à l'environnement virtuel, et le nom de l'environnement est alors suivi de « MLFlow-ENV » dans cet exemple. L'environnement virtuel est créé à l'aide de cette commande comme indiqué dans l'extrait suivant :

Si l'environnement virtuel est créé avec succès, nous pouvons vérifier le « Répertoire de travail » pour observer que la commande mentionnée précédemment a produit le dossier « MLFlow-ENV » qui contient trois autres répertoires portant les noms suivants :

• Inclure
• Lib
• Scripts

Après avoir utilisé la commande susmentionnée, voici à quoi ressemble la structure de répertoires du dossier Python : elle a produit un environnement virtuel comme indiqué ci-dessous :

Étape 3 : Activer l'environnement virtuel

Dans cette étape, nous activons l'environnement virtuel à l'aide d'un fichier batch situé dans le dossier « Scripts ». La capture d'écran suivante montre que l'environnement virtuel est opérationnel après une activation réussie :

Étape 4 : Installation de MLflow

Il est maintenant temps d'installer MLflow. Après avoir activé l'environnement virtuel (si vous avez choisi d'en créer un), installez MLflow à l'aide de la commande pip comme suit :

L'extrait suivant montre que l'installation de MLflow télécharge les fichiers requis depuis Internet et les installe dans l'environnement virtuel :

Le MLflow prendra un certain temps, en fonction de la vitesse d'Internet. L'écran suivant montre la réussite de l'installation de MLflow.

La dernière ligne de l'extrait indique que la version la plus récente de pip est désormais disponible ; c'est à l'utilisateur final de décider de mettre à jour pip ou non. La version du pip installé est affichée en rouge « 22.3.1 ». Puisque nous mettons à niveau le pip vers la version 23.2.1, entrez la commande suivante pour terminer la mise à jour :

L'écran suivant montre la mise à niveau réussie de pip vers la dernière version 23.2.1 :

Étape 5 : Confirmez l'installation de MLflow

La vérification de l'installation de MLflow est l'étape finale mais essentielle. Il est temps de confirmer si l'installation de MLflow a réussi ou non. Pour vérifier la version de MLflow actuellement installée sur le PC, exécutez la commande suivante :

L'extrait suivant indique que la version 2.5.0 de MLflow est installée sur la machine en cours :

Étape 6 : démarrer le serveur MLflow (étape facultative)

Exécutez la commande suivante pour lancer le serveur MLflow afin que l'interface utilisateur Web soit disponible :

L'écran suivant montre que le serveur fonctionne sur l'hôte local (127.0.0.1) et le port 5000 :

Le serveur fonctionnera par défaut sur l'icône 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 (+) à côté de « Expériences » pour ajouter les expériences supplémentaires à l'aide de l'interface Web. Voici une capture d'écran de l'interface utilisateur Web du serveur MLflow :

Comment changer le port du serveur

Le serveur MLflow fonctionne généralement sur le port 5000. Le port peut cependant être commuté sur le numéro préféré. Suivez ces instructions pour lancer le serveur MLflow sur un port spécifique :

Ouvrez l'invite de commande, PowerShell ou la fenêtre du terminal.
Appuyez sur la touche Windows du clavier. Ensuite, appuyez sur « cmd » ou « powershell » et relâchez la touche.
Activez l'environnement virtuel dans lequel MLflow est installé (en supposant qu'il en ait créé un).
Remplacez le PORT_NUMBER par le numéro de port souhaité lors du démarrage du serveur MLflow :

serveur mlflow –port PORT_NUMBER

Exécutez le mlflow-server-7000 en démo pour lancer le serveur MLflow sur le port requis :

Désormais, le port désigné sera utilisé par le serveur MLflow en lançant l'application de navigateur Web et en saisissant l'URL suivante pour accéder à l'interface utilisateur Web de Mlflow. Remplacez le PORT_NUMBER par le numéro de port obligatoire :

http://localhost:PORT_NUMBER

Le port sélectionné à l'étape précédente doit être remplacé par « PORT_NUMBER » (par exemple : http://localhost:7000 ).

Étape 7 : Arrêtez le serveur MLflow

Lorsque vous utilisez MLflow pour enregistrer les paramètres, suivre les expériences et examiner les résultats à l'aide de l'interface utilisateur Web, gardez à l'esprit que le serveur MLflow doit fonctionner.

Pour arrêter l'exécution du serveur MLflow, appuyez sur « Ctrl + C » dans l'invite de commande ou PowerShell où le serveur est en cours d'exécution. Voici l'écran montrant que le fonctionnement du serveur a été arrêté avec succès.

Conclusion

Avec MLflow, l'utilisateur final peut gérer plusieurs projets d'apprentissage automatique avec un cadre robuste et simple qui permet de suivre et de comparer les expériences, de reproduire les résultats et de travailler avec succès avec les membres de l'équipe pour se concentrer sur la création et l'amélioration des modèles d'apprentissage automatique tout en garder les expériences structurées et reproductibles avec l'aide de MLflow.