【文件属性】：
文件名称：mlflow:本地演示的MLflow简介以及如何在AWS上进行设置
文件大小：1.59MB
文件格式：ZIP
更新时间：2021-05-20 01:12:12
mlflow mlflow-tracking-server mlflow-tracking JupyterNotebook
如何使用MLflow来管理机器学习生命周期
在此仓库中，我尝试使用MLflow进行以下操作：
跟踪基于以下内容的机器学习实验：
指标
超参数
执行运行的源脚本
代码版本
笔记和评论
比较彼此之间的不同运行
在本地和AWS上设置跟踪服务器
使用MLflow模型部署模型
本地快速入门
要执行代码：
安装pipenv以使用mlflow运行虚拟环境（这样更干净）
pip install pipenv
克隆项目
git clone git@github.com:ahmedbesbes/mlflow.git
安装依赖项
cd mlflow/
pipenv install .
在本地启动跟踪服务器
mlflow ui
启动培训（或记录到MLflow的任何代码）
python train.py
访问以检查MLflow ui上的运行
在AWS上启动跟踪服务器
如果您是开发人员或数据科学
【文件预览】：
mlflow-main
----images()
--------s3-console.png(418KB)
--------runs.png(232KB)
--------mlflow.png(39KB)
--------runs-remote.png(544KB)
--------artifacts-s3.png(381KB)
----data()
--------aug_test.csv(206KB)
--------sample_submission.csv(20KB)
--------aug_train.csv(1.87MB)
----Pipfile(224B)
----Pipfile.lock(69KB)
----src()
--------conda.yaml(140B)
--------MLproject(168B)
--------train.py(3KB)
----.gitignore(44B)
----README.md(3KB)
----notebooks()
--------1_EDA.ipynb(6KB)