Erfahren Sie, wie Sie eine effiziente MLflow-Umgebung einrichten, um Ihre Experimente zu verfolgen, zu vergleichen und das beste Modell für die Bereitstellung auszuwählen
Das Coaching und die Feinabstimmung verschiedener Modelle ist eine grundlegende Aufgabe für jeden Pc-Imaginative and prescient-Forscher. Selbst bei einfachen Modellen führen wir eine Hyperparametersuche durch, um die optimale Methode zum Trainieren des Modells anhand unseres benutzerdefinierten Datensatzes zu finden. Datenerweiterungstechniken (die bereits viele verschiedene Optionen umfassen), die Wahl des Optimierers, die Lernrate und das Modell selbst. Ist es die beste Architektur für meinen Fall? Sollte ich weitere Ebenen hinzufügen, die Architektur ändern und viele weitere Fragen darauf warten, gestellt und durchsucht zu werden?
Auf der Suche nach einer Antwort auf all diese Fragen habe ich die Protokolldateien des Modelltrainingsprozesses und die Ausgabeprüfpunkte in verschiedenen Ordnern in meinem lokalen Ordner gespeichert, den Namen des Ausgabeverzeichnisses jedes Mal geändert, wenn ich ein Coaching durchgeführt habe, und die endgültigen Metriken manuell einmal verglichen. nacheinander. Den Prozess der Experimentverfolgung so manuell anzugehen, hat viele Nachteile: Er ist altmodisch, zeit- und energieaufwändig und fehleranfällig.
In diesem Blogbeitrag zeige ich Ihnen, wie Sie MLflow verwenden, eines der besten Instruments zum Verfolgen Ihres Experiments, mit dem Sie alle benötigten Informationen protokollieren, die verschiedenen von Ihnen durchgeführten Trainingsexperimente visualisieren und vergleichen und entscheiden können, welches Coaching das richtige ist optimale Wahl in einer benutzerfreundlichen (und augen-)freundlichen Umgebung!