1단계: Python 설치
Python은 MLflow에서 코드를 작성하기 위한 전제 조건이므로 계속 진행하기 전에 작동 중인 컴퓨터에 설치해야 합니다. 공식 웹사이트에서 Python의 최신 버전을 다운로드하여 노트북이나 컴퓨터에 설치하세요. 설치를 시작하기 전에 지침을 주의 깊게 읽으십시오. 설치 중에 시스템 PATH에 Python을 추가해야 합니다.
Python 설치 확인
Python이 개인용 컴퓨터에 성공적으로 설치되었는지 확인하려면 명령 프롬프트(Windows) 또는 터미널(Linux)을 열고 Python 명령을 입력한 후 “Enter” 버튼을 누르십시오. 명령이 성공적으로 실행되면 운영 체제는 터미널 창에 Python 버전을 표시합니다. 다음 예제에서는 Python 3.11.1 버전이 다음 코드 조각에 표시된 대로 지정된 컴퓨터에 설치됩니다.
2단계: 가상 환경 설정
개인 시스템 전체 Python 패키지에서 MLflow 종속성을 분리하기 위해 가상 환경을 만드는 것은 훌륭한 접근 방식입니다. 필수는 아니지만 MLflow에 대한 개인 가상 환경을 설정하는 것이 좋습니다. 이렇게 하려면 명령줄을 열고 작업하려는 프로젝트 디렉터리로 이동하세요. Windows를 사용하는 것처럼 D 드라이브의 'Work' 폴더 안에 있는 Python 디렉터리로 이동합니다. 가상 환경을 구축하려면 다음 명령을 실행하십시오.
파이썬 -m venv MLFlow-ENV
앞서 언급한 명령은 Python을 사용하고 -m(Make) 스위치를 허용하여 현재 디렉터리에 가상 환경을 생성합니다. 'venv'는 가상 환경을 나타내며, 이 예에서는 환경 이름 뒤에 'MLFlow-ENV'가 옵니다. 다음 코드 조각에 제공된 대로 이 명령을 사용하여 가상 환경이 생성됩니다.
가상 환경이 성공적으로 생성되면 '작업 디렉터리'를 확인하여 이전에 언급한 명령이 다음 이름을 가진 세 개의 추가 디렉터리가 있는 'MLFlow-ENV' 폴더를 생성했는지 확인할 수 있습니다.
- 포함하다
- 도서관
- 스크립트
앞서 언급한 명령을 사용한 후 Python 폴더의 디렉터리 구조는 다음과 같습니다. 다음과 같은 가상 환경이 생성됩니다.
3단계: 가상 환경 활성화
이 단계에서는 'Scripts' 폴더에 있는 배치 파일을 사용하여 가상 환경을 활성화합니다. 다음 스크린샷은 활성화가 성공한 후 가상 환경이 작동 중임을 보여줍니다.
4단계: MLflow 설치
이제 MLflow를 설치할 차례입니다. 가상 환경을 활성화한 후(만들기로 선택한 경우) 다음과 같이 pip 명령을 사용하여 MLflow를 설치합니다.
핍 설치 mlflow다음 코드 조각은 MLflow 설치가 인터넷에서 필요한 파일을 다운로드하여 가상 환경에 설치하는 것을 보여줍니다.
MLflow는 인터넷 속도에 따라 다소 시간이 걸립니다. 다음 화면에서는 MLflow 설치가 성공적으로 완료되었음을 보여줍니다.
코드 조각의 마지막 줄은 현재 최신 버전의 pip를 사용할 수 있음을 나타냅니다. pip를 업데이트할지 여부는 최종 사용자에게 달려 있습니다. 설치된 pip의 버전은 빨간색 “22.3.1”로 표시됩니다. pip를 23.2.1 버전으로 업그레이드하는 중이므로 다음 나열된 명령을 입력하여 업데이트를 완료하십시오.
파이썬. exe –m pip 설치 --업그레이드 pip다음 화면은 pip를 최신 23.2.1 버전으로 성공적으로 업그레이드한 것을 보여줍니다.
5단계: MLflow 설치 확인
MLflow 설치 확인은 마지막이지만 필수적인 단계입니다. 이제 MLflow 설치가 성공했는지 확인할 차례입니다. 현재 PC에 설치된 MLflow 버전을 확인하려면 다음 명령을 실행하십시오.
mlflow --버전다음 코드 조각은 MLflow 2.5.0 버전이 작업 머신에 설치되어 있음을 표시합니다.
6단계: MLflow 서버 시작(선택적 단계)
웹 사용자 인터페이스를 사용할 수 있도록 다음 명령을 실행하여 MLflow 서버를 시작합니다.
mlflow 서버다음 화면은 서버가 로컬 호스트(127.0.0.1) 및 포트 5000에서 작동하고 있음을 보여줍니다.
서버는 기본적으로 웹 인터페이스를 사용하여 추가 실험을 추가하기 위해 '실험' 옆에 있는 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 (+) 아이콘에서 작동합니다. 다음은 MLflow 서버의 웹 UI 스크린샷입니다.
서버 포트를 변경하는 방법
MLflow 서버는 일반적으로 포트 5000에서 작동합니다. 하지만 포트를 원하는 번호로 전환할 수 있습니다. 특정 포트에서 MLflow 서버를 시작하려면 다음 지침을 따르십시오.
명령 프롬프트, PowerShell 또는 터미널 창을 엽니다.
키보드에서 Windows 키를 누릅니다. 그런 다음 'cmd' 또는 'powershell'을 누르고 키를 놓습니다.
MLflow가 설치된 가상 환경을 켭니다(만들었다고 가정).
MLflow 서버를 시작할 때 PORT_NUMBER를 원하는 포트 번호로 바꿉니다.
mlflow 서버 – 포트 PORT_NUMBER
mlflow-server-7000을 데모로 실행하여 필요한 포트에서 MLflow 서버를 시작합니다.
mlflow 서버 --port 7000이제 웹 브라우저 앱을 실행하여 MLflow 서버에서 지정된 포트를 사용하고 다음 URL을 입력하여 Mlflow 웹 UI에 액세스합니다. PORT_NUMBER를 필수 포트 번호로 바꿉니다.
http://localhost:PORT_NUMBER
이전 단계에서 선택한 포트는 'PORT_NUMBER'로 대체되어야 합니다(예: http://localhost:7000 ).
7단계: MLflow 서버 중지
MLflow를 사용하여 매개변수를 기록하고, 실험을 추적하고, 웹 UI를 사용하여 결과를 검토할 때 MLflow 서버가 작동해야 한다는 점을 명심하세요.
MLflow 서버 실행을 중지하려면 서버가 실행 중인 명령 프롬프트 또는 PowerShell에서 “Ctrl + C”를 누르세요. 다음은 서버 작업이 성공적으로 중지되었음을 보여주는 화면입니다.
결론
MLflow를 사용하면 최종 사용자는 실험을 추적 및 비교하고 결과를 복제하며 팀 구성원과 성공적으로 협력하여 기계 학습 모델 생성 및 개선에 집중할 수 있는 강력하고 간단한 프레임워크를 통해 여러 기계 학습 프로젝트를 관리할 수 있습니다. MLflow의 도움으로 실험을 구조화하고 반복 가능하게 유지합니다.