init

README.md

@@ -0,0 +1,121 @@
+# 🧪 MLflow Practice — практический проект
+
+Проект для изучения MLflow на практике: от логирования экспериментов
+до Model Registry и загрузки моделей. Поддерживает **GPU (RTX 3090)** и CPU.
+
+---
+
+## 📁 Структура
+
+```
+mlflow-practice/
+├── requirements.txt          # зависимости
+├── start_ui.sh               # запуск MLflow Tracking Server
+├── README.md                 # этот файл
+├── data/                     # датасеты (MNIST скачается автоматически)
+├── artifacts/                # графики, отчёты
+└── src/
+    ├── train_simple.py       # Урок 1: scikit-learn + Tracking
+    ├── train_gpu.py          # Урок 2: PyTorch CNN на GPU (3090)
+    ├── register_model.py     # Урок 3: Model Registry
+    ├── load_and_predict.py   # Урок 4: загрузка и предсказание
+    └── compare_runs.py       # Урок 5: сравнение запусков
+```
+
+---
+
+## 🚀 Быстрый старт
+
+### 1. Установка зависимостей
+
+```bash
+cd mlflow-practice
+
+# Базовые зависимости (CPU — работает везде)
+pip install mlflow scikit-learn pandas numpy matplotlib
+
+# Для GPU-урока (RTX 3090) — установите PyTorch под вашу CUDA:
+pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121
+```
+
+### 2. Запуск MLflow UI (в отдельном терминале)
+
+```bash
+./start_ui.sh
+# → откройте http://localhost:5000
+```
+
+### 3. Урок 1 — scikit-learn (быстрый, CPU)
+
+```bash
+python src/train_simple.py --n-estimators 50  --max-depth 5
+python src/train_simple.py --n-estimators 100 --max-depth 8
+python src/train_simple.py --n-estimators 200 --max-depth 12
+```
+
+Сравните результаты в UI → вкладка **Experiments → digits_classification**.
+
+### 4. Урок 2 — PyTorch CNN на 3090
+
+```bash
+# На GPU — быстро (3090 справится за пару минут)
+python src/train_gpu.py --epochs 10 --batch-size 256 --lr 0.001
+
+# На CPU — медленно, уменьшите эпохи
+python src/train_gpu.py --epochs 2 --batch-size 64 --lr 0.01
+```
+
+В UI посмотрите графики `train_loss` и `test_accuracy` по эпохам.
+
+### 5. Урок 3 — Model Registry
+
+```bash
+python src/register_model.py --experiment digits_classification
+```
+
+В UI → вкладка **Models** появится модель `digits_rf_model` со стадией **Production**.
+
+### 6. Урок 4 — Загрузка и предсказание
+
+```bash
+python src/load_and_predict.py
+```
+
+### 7. Урок 5 — Сравнение запусков
+
+```bash
+python src/compare_runs.py --experiment digits_classification --top 10
+```
+
+---
+
+## 🖥️ Специфика RTX 3090
+
+| Параметр | Значение |
+|---|---|
+| VRAM | 24 GB GDDR6X |
+| CUDA cores | 10496 |
+| Рекомендуемый batch-size | 256–512 для MNIST |
+| CUDA версия | 12.1 (рекомендуется) |
+
+Код в `train_gpu.py` **автоматически** определяет CUDA:
+
+```python
+device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+```
+
+На 3090 обучение MNIST (10 epochs) займёт ~1-2 минуты.
+
+---
+
+## 💡 Эксперименты для самостоятельной работы
+
+1. **Подбор гиперпараметров**: запустите `train_simple.py` с разными
+   `--n-estimators` и `--max-depth`, сравните в UI
+2. **Визуализация**: добавьте логирование ROC-кривой как артефакта
+3. **Автолог**: попробуйте `mlflow.autolog()` вместо ручного логирования
+4. **GPU эксперименты**: в `train_gpu.py` попробуйте разные `--lr` и
+   `--batch-size`, сравните графики learning curves
+5. **Model Registry**: обучите несколько версий, переведите лучшую в
+   Production, остальные в Archived
+6. **Serving**: попробуйте `mlflow models serve -m models:/digits_rf_model/Production -p 5001`