[MLOps] 7. MLflow 로깅 실습

모델 파일 실행시 mlflow로 로깅해보기 

모델이 있는 py파일에 로깅 코드를 함께 추가해서 실행해보자.

원래 train.py에 있는 내용은 아래 링크 참고하면 된다. 아래 파일 내용에서 mlflow관련 부분 제외된 것.

https://ysryuu.tistory.com/4?category=1165111 

[MLOps] 2. 도커 사용 실습 - 이미지 build 및 .py파일 재현

 

<train.py 파일 내용>

import mlflow
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# set mlflow
mlflow.set_tracking_uri('http://0.0.0.0:5001')
mlflow.set_experiment('tutorial')

with mlflow.start_run():

    # log parameter
    params = {'n_estimators':100,'max_depth':5}
    mlflow.log_params(params)

    # load data
    iris = load_iris(as_frame=True)
    X, y = iris['data'], iris['target']

    X_train, X_valid, y_train, y_valid = train_test_split(X,y,test_size=0.3, random_state=2024)

    # train data

    clf = RandomForestClassifier(n_estimators=params['n_estimators'], max_depth=params['max_depth'], random_state=2024)
    clf.fit(X_train, y_train)

    # evaluate data

    y_pred = clf.predict(X_valid)
    acc_score = accuracy_score(y_valid, y_pred)
    
    print('Accuracy score is {:.4f}'.format(acc_score))

    # log metrics
    mlflow.log_metrics({'accuracy': acc_score})

 

추가된 부분만 모아놓으면 다음과 같다. 

mlflow import, mlflow setting, parameter logging, metrics logging 총 네 부분.

 

주의할 점은 하나의 실험 RUN 안에 모든 기록을 하고 싶기 때문에 기존 모델 학습 및 평가 코드를 모두

'with mlflow.start_run()' 하에 둔다는 점. 

import mlflow

# set mlflow
mlflow.set_tracking_uri('http://0.0.0.0:5001')
mlflow.set_experiment('tutorial')

with mlflow.start_run():

    # log parameter
    params = {'n_estimators':100,'max_depth':5}
    mlflow.log_params(params)
   '''
   load, train, evaluate data
   '''
    # log metrics
    mlflow.log_metrics({'accuracy': acc_score})

 

로깅 결과 확인 

tutorial이라는 experiment 안에, parameters와 metrics가 각각 추가된 것을 볼 수 있다.

 

* 프로그래머스의 마키나락스 MLOPS 강의를 참고하여 작성함