Langkah 1: Instalasi Python
Python harus diinstal pada komputer yang berfungsi sebelum melanjutkan karena ini merupakan prasyarat untuk menulis kode di MLflow. Instal Python versi terbaru di laptop atau komputer dengan mendownloadnya dari situs resminya. Sebelum memulai instalasi, baca instruksinya dengan cermat. Pastikan untuk menambahkan Python ke sistem PATH selama instalasi.
Verifikasi Instalasi Python
Untuk memastikan bahwa Python telah berhasil diinstal pada komputer pribadi, buka command prompt (di Windows) atau terminal (di Linux), masukkan perintah Python, dan tekan tombol “Enter”. Setelah perintah berhasil dijalankan, sistem operasi menampilkan versi Python di jendela terminal. Dalam contoh berikut, versi Python 3.11.1 diinstal pada komputer tertentu seperti yang ditunjukkan dalam cuplikan berikut:
Langkah 2: Siapkan Lingkungan Virtual
Membuat lingkungan virtual untuk memisahkan dependensi MLflow dari paket Python seluruh sistem pribadi adalah pendekatan yang sangat baik. Meskipun tidak diperlukan, sangat disarankan untuk menyiapkan lingkungan virtual pribadi untuk MLflow. Untuk melakukan ini, buka baris perintah dan buka direktori proyek yang ingin Anda kerjakan. Untuk menavigasi ke Direktori Python yang ada di dalam folder “Work” di drive D saat kita menggunakan Windows. Untuk membangun lingkungan virtual, jalankan perintah berikut:
python –m venv MLFlow-ENV
Perintah di atas menggunakan Python dan menerima saklar -m (Make) untuk membuat lingkungan virtual di direktori saat ini. “Venv” mengacu pada lingkungan virtual, dan nama lingkungan tersebut kemudian diikuti dengan “MLFlow-ENV” dalam contoh ini. Lingkungan virtual dibuat dengan menggunakan perintah ini seperti yang diberikan dalam cuplikan berikut:
Jika lingkungan virtual berhasil dibuat, kita dapat memeriksa 'Direktori Kerja' untuk mengamati bahwa perintah yang disebutkan sebelumnya menghasilkan folder 'MLFlow-ENV' yang memiliki tiga direktori lebih lanjut dengan nama berikut:
- Termasuk
- Lib
- Skrip
Setelah menggunakan perintah yang disebutkan di atas, berikut adalah tampilan struktur direktori folder Python – menghasilkan lingkungan virtual seperti yang tercantum di bawah ini:
Langkah 3: Aktifkan Lingkungan Virtual
Pada langkah ini, kami mengaktifkan lingkungan virtual dengan bantuan file batch yang terletak di dalam folder “Scripts”. Tangkapan layar berikut menunjukkan bahwa lingkungan virtual beroperasi setelah aktivasi berhasil:
Langkah 4: Menginstal MLflow
Sekarang saatnya menginstal MLflow. Setelah mengaktifkan lingkungan virtual (jika Anda memilih untuk membuatnya), instal MLflow menggunakan perintah pip sebagai berikut:
pip instal mlflowCuplikan berikut menunjukkan bahwa instalasi MLflow sedang mengunduh file yang diperlukan dari internet dan menginstalnya ke lingkungan virtual:
MLflow akan memakan waktu lama, tergantung kecepatan internet. Layar berikut menunjukkan keberhasilan penyelesaian instalasi MLflow.
Baris terakhir cuplikan menunjukkan bahwa versi pip terbaru tersedia saat ini; terserah pengguna akhir apakah akan memperbarui pip atau tidak. Versi pip yang diinstal ditampilkan dalam warna merah “22.3.1”. Karena kami memutakhirkan pip ke versi 23.2.1, masukkan perintah berikut untuk menyelesaikan pembaruan:
ular piton. exe –m pemasangan pip --peningkatan pipLayar berikut menunjukkan keberhasilan upgrade pip ke versi 23.2.1 terbaru:
Langkah 5: Konfirmasikan Instalasi MLflow
Memverifikasi instalasi MLflow adalah langkah terakhir namun penting. Saatnya memastikan apakah instalasi MLflow berhasil atau tidak. Untuk memeriksa versi MLflow yang saat ini terinstal di PC, jalankan perintah berikut:
mlflow --versiCuplikan berikut menampilkan bahwa MLflow versi 2.5.0 diinstal pada mesin yang berfungsi:
Langkah 6: Mulai Server MLflow (Langkah Opsional)
Jalankan perintah berikut untuk meluncurkan server MLflow sehingga antarmuka pengguna web tersedia:
server mlflowLayar berikut menunjukkan bahwa server beroperasi di localhost (127.0.0.1) dan port 5000:
Server akan beroperasi secara default pada ikon 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 (+) di sebelah “Eksperimen” untuk menambahkan eksperimen tambahan menggunakan antarmuka web. Berikut adalah tangkapan layar UI web server MLflow:
Cara Mengubah Port Server
Server MLflow biasanya beroperasi pada port 5000. Namun, port tersebut dapat dialihkan ke nomor pilihan. Ikuti petunjuk berikut untuk meluncurkan server MLflow pada port tertentu:
Buka Command Prompt, PowerShell, atau Jendela Terminal.
Tekan tombol Windows dari keyboard. Kemudian, tekan tombol “cmd” atau “powershell” dan lepaskan kuncinya.
Aktifkan lingkungan virtual tempat MLflow diinstal (dengan asumsi lingkungan tersebut membuatnya).
Ganti PORT_NUMBER dengan nomor port yang diinginkan saat memulai server MLflow:
server mlflow –port PORT_NUMBER
Jalankan mlflow-server-7000 sebagai demo untuk meluncurkan server MLflow pada port yang diperlukan:
server mlflow --port 7000Sekarang, port yang ditunjuk akan digunakan oleh server MLflow dengan meluncurkan aplikasi browser web dan memasukkan URL berikut untuk mengakses UI web Mlflow. Ganti PORT_NUMBER dengan nomor port wajib:
http://localhost:PORT_NUMBER
Port yang dipilih pada langkah sebelumnya harus diganti dengan “PORT_NUMBER” (misalnya: http://localhost:7000 ).
Langkah 7: Hentikan Server MLflow
Saat menggunakan MLflow untuk mencatat parameter, melacak eksperimen, dan memeriksa hasil menggunakan UI web, perlu diingat bahwa server MLflow harus beroperasi.
Untuk menghentikan eksekusi server MLflow, tekan “Ctrl + C” di Command Prompt atau PowerShell tempat server berjalan. Berikut adalah layar yang menunjukkan bahwa kerja server berhasil dihentikan.
Kesimpulan
Dengan MLflow, pengguna akhir dapat mengelola beberapa proyek pembelajaran mesin dengan kerangka kerja yang kuat dan sederhana yang memungkinkan untuk melacak dan membandingkan eksperimen, mereplikasi hasil, dan bekerja dengan sukses dengan anggota tim untuk berkonsentrasi pada pembuatan dan peningkatan model pembelajaran mesin sambil menjaga eksperimen tetap terstruktur dan dapat diulang dengan bantuan MLflow.