Um unsere MLflow-Experimente und -Modelle zu verwalten und zu verfolgen, richten wir den MLflow-Server ein. Der MLflow-Server ermöglicht mehreren Teammitgliedern die Zusammenarbeit, den Austausch von Modellen und deren Bereitstellung in der Produktion. Lass uns anfangen!
Um den MLflow-Server auszuführen, müssen wir Docker installieren, eine beliebte Plattform für die Containerisierung. Docker ermöglicht es uns, unsere Anwendung einschließlich aller ihrer Abhängigkeiten in eine standardisierte Einheit namens Container zu packen.
Laden Sie Docker entsprechend Ihrem Betriebssystem von der offiziellen Web site herunter und installieren Sie es.
Erstellen Sie in Ihrem Projektverzeichnis eine Datei mit dem Namen Dockerfile und öffnen Sie es in einem Texteditor. Fügen Sie der Datei den folgenden Inhalt hinzu:
Diese Docker-Datei gibt das Foundation-Picture an, legt das Arbeitsverzeichnis fest, installiert die erforderlichen Abhängigkeiten, kopiert die MLflow-Serverkonfigurationsdatei und macht den MLflow-Server-Port verfügbar.
Öffnen Sie Ihr Terminal oder Ihre Eingabeaufforderung, navigieren Sie zu Ihrem Projektverzeichnis und führen Sie den folgenden Befehl aus, um das Docker-Picture zu erstellen:
docker construct -t mlflow-server .
Dieser Befehl erstellt das Docker-Picture mithilfe der Docker-Datei in Ihrem Projektverzeichnis und markiert es als mlflow-server.
Nachdem wir nun das Docker-Picture erstellt haben, können wir den MLflow-Server ausführen. Führen Sie den folgenden Befehl aus
in Ihrem Terminal oder Ihrer Eingabeaufforderung:
docker run -d -p 5001:5000 mlflow-server
Dieser Befehl führt den MLflow-Server in einem Docker-Container im getrennten Modus aus und ordnet den Port 5000 des Containers dem Port 5001 des Hostcomputers zu.
Sie können jetzt auf den MLflow-Server zugreifen, indem Sie Ihren Webbrowser öffnen und zu navigieren http://localhost:5001. Dadurch wird die MLflow-Benutzeroberfläche geöffnet, in der Sie Ihre Experimente, Modelle und Artefakte anzeigen können.
Glückwunsch! Sie haben den MLflow-Server erfolgreich eingerichtet, um Ihre MLflow-Experimente und -Modelle zu verwalten und zu verfolgen.
