الخطوة 1: تثبيت بايثون
يجب تثبيت Python على جهاز كمبيوتر عامل قبل المتابعة لأنه شرط أساسي لكتابة التعليمات البرمجية في MLflow. قم بتثبيت أحدث إصدار من Python على الكمبيوتر المحمول أو الكمبيوتر عن طريق تنزيله من الموقع الرسمي. قبل البدء في التثبيت، اقرأ التعليمات بعناية. تأكد من إضافة Python إلى PATH للنظام أثناء التثبيت.
التحقق من تثبيت بايثون
للتأكد من تثبيت Python بنجاح على الكمبيوتر الشخصي، افتح موجه الأوامر (في Windows) أو الوحدة الطرفية (في Linux)، وأدخل أمر Python، واضغط على الزر 'Enter'. بعد التنفيذ الناجح للأمر، يعرض نظام التشغيل إصدار Python في النافذة الطرفية. في المثال التالي، تم تثبيت إصدار Python 3.11.1 على جهاز الكمبيوتر المحدد كما هو موضح في المقتطف التالي:
الخطوة 2: إعداد بيئة افتراضية
يعد إنشاء بيئة افتراضية لفصل تبعيات MLflow عن حزم Python الشخصية على مستوى النظام طريقة ممتازة. على الرغم من أن ذلك ليس مطلوبًا، إلا أنه يُنصح بشدة بإعداد بيئة افتراضية خاصة لـ MLflow. للقيام بذلك، افتح سطر الأوامر وانتقل إلى دليل المشروع الذي تريد العمل عليه. للانتقال إلى دليل Python الموجود داخل مجلد 'العمل' على محرك الأقراص D أثناء استخدامنا لنظام التشغيل Windows. لإنشاء بيئة افتراضية، قم بتنفيذ الأمر التالي:
بايثون –m venv MLFlow-ENV
يستخدم الأمر المذكور أعلاه Python ويقبل رمز التبديل -m (Make) لإنشاء بيئة افتراضية في الدليل الحالي. يشير 'venv' إلى البيئة الافتراضية، ثم يتبع اسم البيئة 'MLFlow-ENV' في هذا المثال. يتم إنشاء البيئة الافتراضية باستخدام هذا الأمر كما هو موضح في المقتطف التالي:
إذا تم إنشاء البيئة الافتراضية بنجاح، فقد نتحقق من 'دليل العمل' لملاحظة أن الأمر المذكور مسبقًا أنتج المجلد 'MLFlow-ENV' الذي يحتوي على ثلاثة أدلة أخرى بالأسماء التالية:
- يشمل
- ليب
- نصوص
بعد استخدام الأمر المذكور أعلاه، إليك كيف تبدو بنية دليل مجلد بايثون - لقد أنتجت بيئة افتراضية كما هو موضح في ما يلي:
الخطوة 3: تفعيل البيئة الافتراضية
في هذه الخطوة نقوم بتنشيط البيئة الافتراضية بمساعدة الملف الدفعي الموجود داخل مجلد “Scripts”. توضح لقطة الشاشة التالية أن البيئة الافتراضية تعمل بعد التنشيط الناجح:
الخطوة 4: تثبيت MLflow
الآن، حان الوقت لتثبيت MLflow. بعد تنشيط البيئة الافتراضية (إذا اخترت إنشاء واحدة)، قم بتثبيت MLflow باستخدام الأمر pip كما يلي:
نقطة تثبيت mlflowيوضح المقتطف التالي أن تثبيت MLflow يقوم بتنزيل الملفات المطلوبة من الإنترنت وتثبيتها على البيئة الافتراضية:
سيستغرق MLflow بعض الوقت، اعتمادًا على سرعة الإنترنت. توضح الشاشة التالية الانتهاء بنجاح من تثبيت MLflow.
ويشير السطر الأخير من المقتطف إلى أن أحدث إصدار من النقطة متوفر الآن؛ الأمر متروك للمستخدم النهائي لتحديث النقطة أم لا. يتم عرض إصدار النقطة المثبتة باللون الأحمر '22.3.1'. نظرًا لأننا نقوم بترقية النقطة إلى الإصدار 23.2.1، أدخل الأمر المدرج التالي لإكمال التحديث:
بيثون. إملف تنفيذى -m تثبيت النقطة - ترقية النقطةتعرض الشاشة التالية الترقية الناجحة للنقطة إلى الإصدار الأحدث 23.2.1:
الخطوة 5: تأكيد تثبيت MLflow
يعد التحقق من تثبيت MLflow هو الخطوة النهائية ولكنها أساسية. حان الوقت لتأكيد ما إذا كان تثبيت MLflow ناجحًا أم لا. للتحقق من إصدار MLflow المثبت حاليًا على جهاز الكمبيوتر، قم بتشغيل الأمر التالي:
mlflow --versionيعرض المقتطف التالي أن الإصدار 2.5.0 من MLflow مثبت على جهاز العمل:
الخطوة 6: بدء تشغيل خادم MLflow (خطوة اختيارية)
قم بتشغيل الأمر التالي لتشغيل خادم MLflow بحيث تكون واجهة مستخدم الويب متاحة:
خادم mlflowتوضح الشاشة التالية أن الخادم يعمل على المضيف المحلي (127.0.0.1) والمنفذ 5000:
سيعمل الخادم بشكل افتراضي على أيقونة 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 (+) بجوار 'التجارب' لإضافة التجارب الإضافية باستخدام واجهة الويب. فيما يلي لقطة شاشة لواجهة مستخدم الويب لخادم MLflow:
كيفية تغيير منفذ الخادم
يعمل خادم MLflow عادةً على المنفذ 5000. ومع ذلك، يمكن تحويل المنفذ إلى الرقم المفضل. اتبع هذه التعليمات لتشغيل خادم MLflow على منفذ محدد:
افتح موجه الأوامر أو PowerShell أو النافذة الطرفية.
اضغط على مفتاح Windows من لوحة المفاتيح. ثم اضغط على 'cmd' أو 'powershell' ثم حرر المفتاح.
قم بتشغيل البيئة الافتراضية حيث تم تثبيت MLflow (بافتراض أنه تم إنشاء واحدة).
استبدل PORT_NUMBER برقم المنفذ المطلوب عند بدء تشغيل خادم MLflow:
خادم mlflow – المنفذ PORT_NUMBER
قم بتشغيل mlflow-server-7000 كعرض توضيحي لتشغيل خادم MLflow على المنفذ المطلوب:
خادم mlflow --port 7000الآن، سيتم استخدام المنفذ المعين بواسطة خادم MLflow عن طريق تشغيل تطبيق متصفح الويب وإدخال عنوان URL التالي للوصول إلى واجهة مستخدم الويب Mlflow. استبدل PORT_NUMBER برقم المنفذ الإلزامي:
http://localhost:PORT_NUMBER
يجب استبدال المنفذ الذي تم تحديده في الخطوة السابقة بـ 'PORT_NUMBER' (على سبيل المثال: http://localhost:7000 ).
الخطوة 7: قم بإيقاف خادم MLflow
عند استخدام MLflow لتسجيل المعلمات وتتبع التجارب وفحص النتائج باستخدام واجهة مستخدم الويب، ضع في اعتبارك أن خادم MLflow يحتاج إلى التشغيل.
لإيقاف تنفيذ خادم MLflow، اضغط على 'Ctrl + C' في موجه الأوامر أو PowerShell حيث يعمل الخادم. وهذه هي الشاشة التي توضح توقف عمل الخادم بنجاح.
خاتمة
باستخدام MLflow، يمكن للمستخدم النهائي إدارة العديد من مشاريع التعلم الآلي باستخدام إطار عمل قوي وبسيط يمكّن من تتبع التجارب ومقارنتها، وتكرار النتائج، والعمل بنجاح مع أعضاء الفريق للتركيز على إنشاء نماذج التعلم الآلي وتحسينها أثناء العمل. الحفاظ على التجارب منظمة وقابلة للتكرار بمساعدة MLflow.