Уроки 6-9: autolog, hyperparam sweep, grid search, serving + MLproject, walkthrough

.gitignore

@@ -6,3 +6,6 @@ mlruns/
 artifacts/*
 data/MNIST/
 *.log
+
+# Flask serve
+instance/

CODE_WALKTHROUGH.md

@@ -0,0 +1,516 @@
+# 🔍 Экскурс по коду — разбор каждого файла
+
+Полный разбор всех файлов проекта с пояснениями, что и почему.
+
+---
+
+## Структура проекта
+
+```
+mlflow-practice/
+├── MLproject              # Формат MLflow Projects (воспроизводимость)
+├── python_env.yaml        # Окружение для MLproject
+├── requirements.txt        # Зависимости
+├── setup_server.sh        # Установка на GPU-сервере
+├── start_ui.sh            # Запуск MLflow Tracking Server
+├── scripts/
+│   └── setup_git.sh       # Настройка Git (HTTPS + токен)
+└── src/
+    ├── train_simple.py     # Урок 1: sklearn + Tracking (ручное логирование)
+    ├── train_gpu.py        # Урок 2: PyTorch CNN на GPU + логирование по эпохам
+    ├── register_model.py   # Урок 3: Model Registry (версии, стадии)
+    ├── load_and_predict.py # Урок 4: загрузка модели + предсказание
+    ├── compare_runs.py     # Урок 5: сравнение запусков через API
+    ├── autolog_demo.py     # Урок 6: autolog (автоматическое логирование)
+    ├── hyperparam_sweep.py # Урок 7: перебор гиперпараметров (вручную)
+    ├── grid_search_cv.py   # Урок 8: GridSearchCV + autolog
+    └── serve_model.py     # Урок 9: REST API сервер модели
+```
+
+---
+
+## 📄 train_simple.py — основы MLflow Tracking
+
+Это **главный файл для понимания**. Здесь показаны все базовые операции MLflow.
+
+### Импорты
+
+```python
+import mlflow
+import mlflow.sklearn
+```
+
+`mlflow` — ядро (start_run, log_param, log_metric, log_artifact).
+`mlflow.sklearn` — flavor для scikit-learn моделей (save_model, load_model).
+
+### Задание эксперимента
+
+```python
+mlflow.set_experiment("digits_classification")
+```
+
+Эксперимент — это **контейнер для связанных запусков (runs)**.
+Если эксперимент не существует — MLflow создаст его автоматически.
+Все runs с одинаковым именем эксперимента группируются вместе в UI.
+
+### Контекстный менеджер run
+
+```python
+with mlflow.start_run(run_name="rf_100_8") as run:
+```
+
+`start_run()` начинает новый запуск. Контекстный менеджер (`with`)
+гарантирует, что run закроется даже при ошибке — всё сохранится.
+`run.info.run_id` — уникальный ID запуска, через него можно к нему вернуться.
+
+### Логирование параметров
+
+```python
+mlflow.log_param("n_estimators", args.n_estimators)
+mlflow.log_param("max_depth", args.max_depth)
+```
+
+Параметры логируются **ДО или ВО ВРЕМЯ обучения**. Это то, что вы
+выбрали — гиперпараметры модели. Каждый параметр — строка/число.
+В UI параметры показываются в таблице запусков как колонки.
+
+### Логирование метрик
+
+```python
+mlflow.log_metric("accuracy", acc)
+```
+
+Метрики — числа, которые оценивают качество. Главное отличие от
+параметров: метрики могут логироваться **несколько раз** с разными
+шагами (`step=N`), образуя график:
+
+```python
+for i, tree in enumerate(model.estimators_):
+    tree_acc = accuracy_score(y_test, tree.predict(X_test))
+    mlflow.log_metric("per_tree_accuracy", tree_acc, step=i)
+```
+
+В UI это покажется как линейный график — как accuracy растёт
+по мере добавления деревьев в RandomForest.
+
+### Логирование артефактов
+
+```python
+mlflow.log_artifact("artifacts/confusion_matrix.png")
+```
+
+Артефакт — **любой файл**: картинка, текст, JSON, модель. MLflow
+копирует файл в хранилище артефактов (папка `./artifacts/` или S3).
+В UI артефакты можно просматривать прямо в браузере.
+
+### Логирование модели
+
+```python
+mlflow.sklearn.log_model(model, artifact_path="model")
+```
+
+Модель — это особый артефакт. MLflow сохраняет её в стандартном
+формате с файлом `MLmodel` (метаданные: flavor, версия, сигнатура).
+Позже её можно загрузить по `run_id` или зарегистрировать в Registry.
+
+### Теги
+
+```python
+mlflow.set_tag("model_type", "RandomForest")
+mlflow.set_tag("author", "practice")
+```
+
+Теги — произвольные метки для фильтрации и поиска. В отличие от
+параметров, теги можно менять после завершения run.
+
+---
+
+## 📄 train_gpu.py — PyTorch + GPU + логирование по эпохам
+
+### Определение устройства
+
+```python
+device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+```
+
+Код **GPU-aware**: если есть CUDA — обучение на 3090, иначе на CPU.
+Всё переносится на устройство: `model.to(device)`, `data.to(device)`.
+
+### Логирование параметров окружения
+
+```python
+mlflow.log_param("device", str(device))
+mlflow.log_param("gpu_name", gpu_name)
+```
+
+Полезно: в UI видно, на каком GPU обучалась модель. Если запускаете
+на разных машинах — сразу видно различия.
+
+### Логирование метрик по эпохам
+
+```python
+mlflow.log_metric("train_loss", avg_loss, step=epoch)
+mlflow.log_metric("test_accuracy", acc, step=epoch)
+```
+
+`step=epoch` — ключевой момент. Каждая метрика логируется с номером
+шага. В UI это строит **график learning curve** — как loss падает, а
+accuracy растёт от эпохи к эпохе.
+
+### Сохранение графика как артефакта
+
+```python
+fig.savefig("artifacts/training_curve.png")
+mlflow.log_artifact(plot_path)
+```
+
+Matplotlib-график сохраняется в файл и логируется. В UI его можно
+открыть прямо в браузере — артефакты отображаются превью.
+
+### Логирование PyTorch-модели
+
+```python
+mlflow.pytorch.log_model(
+    model,
+    artifact_path="model",
+    serialization_format="pickle",
+    input_example=torch.randn(1, 1, 28, 28).to(device),
+)
+```
+
+`serialization_format="pickle"` — формат сохранения (см. урок 2).
+`input_example` — пример входа, нужен для построения сигнатуры модели.
+MLflow сохраняет модель в формате, совместимом с `mlflow.pytorch.load_model()`.
+
+---
+
+## 📄 register_model.py — Model Registry
+
+### Поиск лучшего запуска
+
+```python
+runs = client.search_runs(
+    experiment_ids=[exp.experiment_id],
+    order_by=["metrics.accuracy DESC"],
+    max_results=1,
+)
+```
+
+MlflowClient — программный доступ к API Tracking Server.
+`search_runs` с `order_by` — сортировка по метрике. Так можно найти
+лучший run без UI — полностью программно.
+
+### Регистрация модели
+
+```python
+model_uri = f"runs:/{run_id}/model"
+result = mlflow.register_model(model_uri=model_uri, name="digits_rf_model")
+```
+
+`model_uri` — указывает на модель внутри конкретного run.
+`register_model` создаёт новую версию в Model Registry.
+`result.version` — номер версии (1, 2, 3...).
+
+### Управление стадиями
+
+```python
+client.transition_model_version_stage(
+    name="digits_rf_model",
+    version=result.version,
+    stage="Production",
+    archive_existing_versions=True,
+)
+```
+
+`archive_existing_versions=True` — автоматически переводит все
+предыдущие Production-версии в Archived. Так в Production всегда
+только одна версия.
+
+### Жизненный цикл модели
+
+```
+None → Staging → Production → Archived
+              ↑                  ↓
+              └──────────────────┘
+              (можно вернуть обратно)
+```
+
+- **Staging** — тестирование, ещё не готова
+- **Production** — используется в приложении
+- **Archived** — устарела, но сохранена для истории
+
+---
+
+## 📄 load_and_predict.py — загрузка модели
+
+### Загрузка по имени и стадии
+
+```python
+model = mlflow.sklearn.load_model("models:/digits_rf_model/Production")
+```
+
+`models:/` — URI для Model Registry. Формат: `models:/{name}/{stage}`
+или `models:/{name}/{version}`. Загружает последнюю версию в стадии
+Production. Если версию перевели в Archived — эта загрузка сломается,
+что правильно — так вы узнаёте о проблеме сразу.
+
+### Отличие от загрузки по run_id
+
+```python
+# По run_id (привязка к конкретному запуску):
+model = mlflow.sklearn.load_model("runs:/abc123/model")
+
+# По registry (привязка к имени + стадии):
+model = mlflow.sklearn.load_model("models:/digits_rf_model/Production")
+```
+
+Registry — уровень абстракции выше. Код не меняется при смене версии
+модели, только стадия в UI.
+
+---
+
+## 📄 compare_runs.py — сравнение через API
+
+```python
+runs = client.search_runs(
+    experiment_ids=[exp.experiment_id],
+    order_by=["metrics.accuracy DESC"],
+    max_results=10,
+)
+```
+
+Программный аналог таблицы в UI. Каждый `run` содержит:
+- `run.info.run_id` — ID
+- `run.data.params` — словарь параметров
+- `run.data.metrics` — словарь метрик
+- `run.data.tags` — теги
+
+Это позволяет автоматизировать: найти лучший, сравнить, отсеять.
+
+---
+
+## 📄 autolog_demo.py — автоматическое логирование
+
+### Ключевая строка
+
+```python
+mlflow.sklearn.autolog(
+    log_models=True,
+    log_datasets=True,
+    max_tuning_runs=10,
+)
+```
+
+После вызова `autolog()` — **больше не нужно** писать `log_param`,
+`log_metric`, `log_model` вручную. MLflow перехватывает вызовы sklearn
+и логирует всё автоматически:
+
+| Что autolog перехватывает | Что логируется |
+|---|---|
+| `model.fit()` | все параметры конструктора модели |
+| Обучение | `training_accuracy`, `training_log_loss` |
+| Модель | сохраняется в `artifacts/model/` |
+| Датасет | профиль (размер, типы признаков) |
+| GridSearchCV | каждый под-вариант как отдельный run |
+
+### Сравнение: ручное vs autolog
+
+```python
+# Ручное (train_simple.py):
+mlflow.log_param("n_estimators", 100)
+mlflow.log_param("max_depth", 8)
+mlflow.log_metric("accuracy", acc)
+mlflow.sklearn.log_model(model, "model")
+
+# Autolog (autolog_demo.py):
+mlflow.sklearn.autolog()  # одна строка!
+model.fit(X_train, y_train)  # всё залогируется само
+```
+
+**Когда использовать autolog**: быстрые эксперименты, прототипы.
+**Когда ручное логирование**: нужен контроль над тем, что попадает
+в MLflow, кастомные метрики, специфичные артефакты.
+
+---
+
+## 📄 hyperparam_sweep.py — перебор гиперпараметров
+
+### Генерация комбинаций
+
+```python
+all_combos = list(itertools.product(
+    param_grid["n_estimators"],
+    param_grid["max_depth"],
+    ...
+))
+```
+
+`itertools.product` — декартово произведение всех параметров.
+5 × 6 × 3 × 3 × 3 = 810 возможных комбинаций. Берём случайные
+`max_combos` из них — для скорости.
+
+### Почему случайные, а не все 810?
+
+Полный перебор (Grid Search) = 810 × 5 (CV) = 4050 обучений.
+На 3090 это реально, но:
+- Random Search часто находит хорошие параметры быстрее
+- MLflow хранит каждый run — 810 runs засоряют UI
+- 20-50 случайных обычно достаточно для практики
+
+### Кросс-валидация
+
+```python
+cv_scores = cross_val_score(model, X_train, y_train, cv=5, scoring="accuracy")
+mlflow.log_metric("cv_mean_accuracy", cv_scores.mean())
+mlflow.log_metric("cv_std_accuracy", cv_scores.std())
+```
+
+CV делит train на 5 фолдов, обучает 5 раз, усредняет.
+`cv_std` — разброс между фолдами. Если `std` высокий — модель
+нестабильна (зависит от разбиения данных).
+
+### Что искать в UI
+
+1. Отсортировать по `test_accuracy` DESC
+2. Сравнить `cv_mean_accuracy` и `test_accuracy` — если CV сильно
+   выше теста → переобучение (overfitting)
+3. Высокий `cv_std_accuracy` → нестабильная модель
+4. Scatter plot: `n_estimators` vs `accuracy` — видна ли зависимость
+
+---
+
+## 📄 grid_search_cv.py — GridSearchCV + autolog
+
+```python
+mlflow.sklearn.autolog(max_tuning_runs=20)
+...
+grid = GridSearchCV(estimator=..., param_grid=..., cv=5)
+grid.fit(X_train, y_train)
+```
+
+MLflow autolog + GridSearchCV = **дерево запусков**:
+- **Parent run** (`gridsearch_rf`) — главный, содержит лучшие параметры
+- **Child runs** — каждая комбинация гиперпараметров отдельный run
+
+В UI это видно как иерархия. Parent показывает итог, children — детали.
+
+---
+
+## 📄 serve_model.py — REST API
+
+### Загрузка модели при старте
+
+```python
+model = mlflow.sklearn.load_model(f"models:/{model_name}/{stage}")
+```
+
+Загружается **один раз** при создании Flask-приложения, не на каждый
+запрос. Это важно для производительности.
+
+### Эндпоинты
+
+| Эндпоинт | Метод | Что делает |
+|---|---|---|
+| `/health` | GET | Проверка состояния ("жив" ли сервер) |
+| `/info` | GET | Информация о модели (признаки, классы) |
+| `/predict` | POST | Предсказание для переданных данных |
+| `/predict_random` | GET | Случайный образец из digits + предсказание |
+
+### Формат запроса /predict
+
+```json
+{
+  "instances": [
+    [0, 0, 0, ..., 16, 8, 0, ...],  // 64 числа — 8×8 пикселей
+    [0, 0, 12, ..., 0, 0, 0, ...]   // можно несколько образцов
+  ]
+}
+```
+
+### predict_proba
+
+```python
+probabilities = model.predict_proba(instances)
+```
+
+RandomForest поддерживает `predict_proba` — вероятности для каждого
+класса. В ответе: предсказание + вероятности + confidence.
+
+### Альтернатива — встроенный MLflow server
+
+```bash
+mlflow models serve -m models:/digits_rf_model/Production -p 5001
+```
+
+MLflow сам поднимает сервер с стандартным API. Кастомный скрипт
+(serve_model.py) даёт больше контроля — свои эндпоинты, логика,
+демо-эндпоинт с случайным образом.
+
+---
+
+## 📄 MLproject — воспроизводимость
+
+```yaml
+name: mlflow-practice
+entry_points:
+  main:
+    parameters:
+      n_estimators: {type: int, default: 100}
+    command: "python src/train_simple.py --n-estimators {n_estimators}"
+```
+
+`MLproject` — декларативное описание проекта. MLflow может запустить
+его одной командой:
+
+```bash
+mlflow run . -P n_estimators=200 -P max_depth=12
+```
+
+При этом MLflow:
+1. Читает `python_env.yaml` → создаёт виртуальное окружение
+2. Устанавливает зависимости
+3. Запускает команду из entry_point с параметрами
+4. Логирует всё в tracking server
+
+Это гарантирует воспроизводимость: любой человек на любой машине
+может запустить ваш эксперимент с тем же результатом.
+
+---
+
+## 🗂️ Как файлы связаны между собой
+
+```
+train_simple.py ──→ логирует run ──→ register_model.py ──→ load_and_predict.py
+      │                                      │
+      │                                      ↓
+      │                              Model Registry
+      │                                      │
+      ↓                                      ↓
+compare_runs.py                        serve_model.py
+(ищет лучший run)                    (загружает из Registry)
+
+autolog_demo.py ──→ autolog (альтернатива ручному логированию)
+
+hyperparam_sweep.py ──→ много runs (перебор)
+grid_search_cv.py ──→ parent + child runs (autolog + GridSearch)
+
+MLproject ──→ оборачивает всё в воспроизводимый формат
+```
+
+---
+
+## 💡 Ключевые концепции MLflow — шпаргалка
+
+| Концепция | Что это | Где используется |
+|---|---|---|
+| **Experiment** | Группа связанных runs | `set_experiment()` |
+| **Run** | Один запуск обучения | `start_run()` |
+| **Param** | Гиперпараметр (вход) | `log_param()` |
+| **Metric** | Метрика (результат), может быть графиком | `log_metric(step=N)` |
+| **Artifact** | Любой файл (картинка, модель) | `log_artifact()` |
+| **Tag** | Метка для поиска/фильтрации | `set_tag()` |
+| **Flavor** | Формат модели (sklearn, pytorch) | `mlflow.sklearn`, `mlflow.pytorch` |
+| **Model Registry** | Реестр версий моделей | `register_model()`, `transition_stage()` |
+| **Autolog** | Автоматическое логирование | `mlflow.sklearn.autolog()` |
+| **MLproject** | Воспроизводимый запуск | `mlflow run .` |
+| **Model URI** | Ссылка на модель | `models:/name/Production`, `runs:/id/model` |

MLproject

@@ -0,0 +1,33 @@
+# MLflow Project — формат воспроизводимых экспериментов
+# ========================================================
+# Запуск:
+#   mlflow run . -P n_estimators=100 -P max_depth=8
+#   mlflow run . -P n_estimators=200 -P max_depth=12 --experiment-name digits_project
+#
+# MLflow автоматически:
+#   1. Создаст изолированное окружение из conda.yaml (или requirements.txt)
+#   2. Запустит entry point с указанными параметрами
+#   3. Логирует всё в MLflow tracking
+
+name: mlflow-practice
+
+python_env: python_env.yaml
+
+entry_points:
+  main:
+    parameters:
+      n_estimators: {type: int, default: 100}
+      max_depth: {type: int, default: 8}
+    command: "python src/train_simple.py --n-estimators {n_estimators} --max-depth {max_depth}"
+
+  gpu:
+    parameters:
+      epochs: {type: int, default: 10}
+      batch_size: {type: int, default: 256}
+      lr: {type: float, default: 0.001}
+    command: "python src/train_gpu.py --epochs {epochs} --batch-size {batch_size} --lr {lr}"
+
+  sweep:
+    parameters:
+      max_combos: {type: int, default: 20}
+    command: "python src/hyperparam_sweep.py --max-combos {max_combos}"

README.md

@@ -1,7 +1,10 @@
 # 🧪 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.
+до Model Registry, Model Serving и воспроизводимых запусков.
+Поддерживает **GPU (RTX 3090)** и CPU.
+
+📖 **[CODE_WALKTHROUGH.md](CODE_WALKTHROUGH.md)** — подробный разбор каждого файла.
 
 ---
 
@@ -9,113 +12,128 @@
 
 ```
 mlflow-practice/
+├── MLproject              # Формат MLflow Projects (воспроизводимость)
+├── python_env.yaml        # Окружение для MLproject
 ├── requirements.txt        # зависимости
+├── setup_server.sh        # установка на GPU-сервере
 ├── start_ui.sh             # запуск MLflow Tracking Server
-├── README.md                 # этот файл
-├── data/                     # датасеты (MNIST скачается автоматически)
-├── artifacts/                # графики, отчёты
+├── CODE_WALKTHROUGH.md    # экскурс по коду
+├── scripts/
+│   └── setup_git.sh       # настройка Git (HTTPS + токен)
 └── src/
-    ├── train_simple.py       # Урок 1: scikit-learn + Tracking
-    ├── train_gpu.py          # Урок 2: PyTorch CNN на GPU (3090)
+    ├── train_simple.py     # Урок 1: sklearn + Tracking (ручное)
+    ├── train_gpu.py        # Урок 2: PyTorch CNN на GPU
     ├── register_model.py   # Урок 3: Model Registry
-    ├── load_and_predict.py   # Урок 4: загрузка и предсказание
-    └── compare_runs.py       # Урок 5: сравнение запусков
+    ├── load_and_predict.py # Урок 4: загрузка + предсказание
+    ├── compare_runs.py     # Урок 5: сравнение через API
+    ├── autolog_demo.py     # Урок 6: autolog (автоматическое)
+    ├── hyperparam_sweep.py # Урок 7: перебор гиперпараметров
+    ├── grid_search_cv.py   # Урок 8: GridSearchCV + autolog
+    └── serve_model.py      # Урок 9: REST API сервер
 ```
 
 ---
 
 ## 🚀 Быстрый старт
 
-### 1. Установка зависимостей
+### 1. Установка
 
 ```bash
-cd mlflow-practice
+# На GPU-сервере:
+bash setup_server.sh
+source .venv/bin/activate
 
-# Базовые зависимости (CPU — работает везде)
-pip install mlflow scikit-learn pandas numpy matplotlib
-
-# Для GPU-урока (RTX 3090) — установите PyTorch под вашу CUDA:
+# PyTorch под CUDA:
 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121
+pip install flask  # для serve_model.py
 ```
 
-### 2. Запуск MLflow UI (в отдельном терминале)
+### 2. Запуск MLflow UI
 
 ```bash
 ./start_ui.sh
-# → откройте http://localhost:5000
+# → http://10.0.0.7:5000
 ```
 
-### 3. Урок 1 — scikit-learn (быстрый, CPU)
+### 3. Уроки по порядку
 
 ```bash
-python src/train_simple.py --n-estimators 50  --max-depth 5
+# Урок 1 — scikit-learn (CPU, ~5 сек)
 python src/train_simple.py --n-estimators 100 --max-depth 8
 python src/train_simple.py --n-estimators 200 --max-depth 12
-```
+python src/train_simple.py --n-estimators 50  --max-depth 5
 
-Сравните результаты в UI → вкладка **Experiments → digits_classification**.
-
-### 4. Урок 2 — PyTorch CNN на 3090
-
-```bash
-# На GPU — быстро (3090 справится за пару минут)
+# Урок 2 — PyTorch CNN на 3090 (~1-2 мин)
 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
+# Урок 3 — Регистрация лучшей модели
 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
+# Урок 4 — Загрузка и предсказание
 python src/load_and_predict.py
+
+# Урок 5 — Сравнение запусков
+python src/compare_runs.py --experiment digits_classification --top 10
+
+# Урок 6 — Autolog (автоматическое логирование)
+python src/autolog_demo.py
+
+# Урок 7 — Hyperparameter sweep (20 комбинаций)
+python src/hyperparam_sweep.py --max-combos 20
+
+# Урок 8 — GridSearchCV + autolog (parent/child runs)
+python src/grid_search_cv.py
+
+# Урок 9 — Model serving (REST API)
+python src/serve_model.py --port 5001
+# → curl http://localhost:5001/predict_random
 ```
 
-### 7. Урок 5 — Сравнение запусков
+### 4. MLflow Projects (воспроизводимый запуск)
 
 ```bash
-python src/compare_runs.py --experiment digits_classification --top 10
+# Запуск через MLproject — MLflow сам создаст окружение
+mlflow run . -P n_estimators=200 -P max_depth=12
+mlflow run . -e gpu -P epochs=10 -P batch_size=256 -P lr=0.001
+mlflow run . -e sweep -P max_combos=30
 ```
 
 ---
 
-## 🖥️ Специфика RTX 3090
+## 📚 Что изучает каждый урок
+
+| Урок | Концепция MLflow | На чём |
+|---|---|---|
+| 1 | **Tracking**: params, metrics, artifacts, tags | RandomForest (digits) |
+| 2 | **Tracking + GPU**: логирование по эпохам, learning curves | PyTorch CNN (MNIST) на 3090 |
+| 3 | **Model Registry**: версии, стадии Staging→Production | лучшая модель из Урока 1 |
+| 4 | **Model Loading**: models:/name/stage | предсказание |
+| 5 | **API**: search_runs, order_by | сортировка по accuracy |
+| 6 | **Autolog**: одна строка вместо ручного логирования | GradientBoosting (wine) |
+| 7 | **Hyperparameter sweep**: itertools + random search | 20+ комбинаций RandomForest |
+| 8 | **GridSearchCV + autolog**: parent/child runs | 18 комбинаций × 5 фолдов |
+| 9 | **Model serving**: Flask REST API | REST эндпоинты для модели |
+
+---
+
+## 🖥️ RTX 3090
 
 | Параметр | Значение |
 |---|---|
 | VRAM | 24 GB GDDR6X |
-| CUDA cores | 10496 |
 | Рекомендуемый batch-size | 256–512 для MNIST |
-| CUDA версия | 12.1 (рекомендуется) |
+| CUDA | 12.1 |
+| MNIST 10 epochs | ~1-2 минуты |
 
-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.
+Код GPU-aware — автоматически выбирает CUDA если доступна.
 
 ---
 
 ## 💡 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`
+1. **Подбор гиперпараметров** — запустите sweep с `--max-combos 50`
+2. **Сравнение моделей** — обучите RandomForest vs GradientBoosting vs SVM
+3. **Autolog vs ручное** — запустите один датасет с autolog и без, сравните
+4. **Model Registry** — обучите несколько версий, переведите лучшую в Production
+5. **Serving** — поднимите REST API, отправьте запрос через curl
+6. **MLproject** — запустите через `mlflow run .` на другой машине

python_env.yaml

@@ -0,0 +1,11 @@
+# Спецификация окружения Python для MLflow Projects
+# MLflow создаст виртуальное окружение по этому файлу
+python: "3.10"
+dependencies:
+  - mlflow>=2.11.0
+  - scikit-learn>=1.3.0
+  - pandas>=2.0.0
+  - numpy>=1.24.0
+  - matplotlib>=3.7.0
+  # Для GPU entry point установите torch отдельно:
+  # pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121

requirements.txt

@@ -11,5 +11,8 @@ matplotlib>=3.7.0
 torch>=2.1.0
 torchvision>=0.16.0
 
+# === Для Model Serving (Урок 9) ===
+flask>=3.0.0
+
 # === Для MLflow UI / Model Registry ===
 # SQLite backend уже входит в стандартную поставку Python

scripts/setup_git.sh

@@ -0,0 +1,148 @@
+#!/bin/bash
+# ============================================================
+#  Глобальная настройка Git (HTTPS + токен, без SSH)
+#  Запуск: bash scripts/setup_git.sh
+# ============================================================
+set -e
+
+echo "🔧 Глобальная настройка Git"
+echo "============================"
+echo ""
+
+if ! command -v git &> /dev/null; then
+    echo "❌ Git не установлен!"
+    echo "   macOS:  brew install git"
+    echo "   Ubuntu: sudo apt install git"
+    exit 1
+fi
+
+echo "✅ Git: $(git --version)"
+echo ""
+
+# ─── 1. Имя и email ──────────────────────────────────────────
+DEFAULT_NAME="admin"
+DEFAULT_EMAIL="admin@e7.by"
+GIT_NAME="${GIT_NAME:-$DEFAULT_NAME}"
+GIT_EMAIL="${GIT_EMAIL:-$DEFAULT_EMAIL}"
+
+read -p "Имя [$GIT_NAME]: " input_name
+read -p "Email [$GIT_EMAIL]: " input_email
+
+git config --global user.name "${input_name:-$GIT_NAME}"
+git config --global user.email "${input_email:-$GIT_EMAIL}"
+echo "✅ user.name  = $(git config --global user.name)"
+echo "✅ user.email = $(git config --global user.email)"
+echo ""
+
+# ─── 2. Базовые настройки ────────────────────────────────────
+git config --global init.defaultBranch main
+git config --global core.autocrlf input
+git config --global core.safecrlf true
+git config --global core.longpaths true
+git config --global core.editor "vi"
+git config --global core.pager "less -FRX"
+git config --global color.ui auto
+git config --global pull.rebase true
+git config --global rebase.autoStash true
+git config --global push.default current
+echo "✅ Базовые настройки (main, rebase, colors, pager)"
+
+# ─── 3. Алиасы ───────────────────────────────────────────────
+git config --global alias.st "status -sb"
+git config --global alias.co "checkout"
+git config --global alias.br "branch"
+git config --global alias.ci "commit"
+git config --global alias.cm "commit -m"
+git config --global alias.ca "commit --amend"
+git config --global alias.lg "log --oneline --graph --decorate --all"
+git config --global alias.last "log -1 HEAD --stat"
+git config --global alias.unstage "restore --staged"
+git config --global alias.discard "checkout --"
+git config --global alias.aliases "config --get-regexp ^alias\\."
+echo "✅ Алиасы: git st, git lg, git ci, git cm, git co, git br, git ca, git last"
+
+# ─── 4. Credential helper (хранение токенов) ─────────────────
+# macOS: токен в Keychain (безопасно, шифруется)
+# Linux: токен в ~/.git-credentials (файл, без шифрования)
+if [[ "$OSTYPE" == "darwin"* ]]; then
+    git config --global credential.helper osxkeychain
+    echo "✅ credential.helper = osxkeychain (macOS Keychain)"
+else
+    git config --global credential.helper store
+    chmod 600 ~/.git-credentials 2>/dev/null || true
+    echo "✅ credential.helper = store (~/.git-credentials, chmod 600)"
+fi
+
+# ─── 5. Настройка токена для git.e7.by ────────────────────────
+echo ""
+echo "🔐 Настройка токена для git.e7.by"
+echo "--------------------------------------------"
+echo "  git.e7.by работает только через HTTPS + токен."
+echo "  Токен можно создать в: Profile → Settings → Access Tokens"
+echo ""
+
+read -p "Введите токен (или Enter чтобы пропустить): " TOKEN
+
+if [ -n "$TOKEN" ]; then
+    # Сохраняем токен через credential helper
+    # Формат: https://username:token@host
+    echo "https://core:${TOKEN}@git.e7.by" | git credential-store store 2>/dev/null || \
+    echo "https://core:${TOKEN}@git.e7.by" >> ~/.git-credentials 2>/dev/null || true
+
+    # Для macOS Keychain — через security
+    if [[ "$OSTYPE" == "darwin"* ]]; then
+        # Записываем в Keychain напрямую
+        security add-internet-password -s git.e7.by -a core -w "$TOKEN" -r https 2>/dev/null || true
+        echo "✅ Токен сохранён в macOS Keychain (git.e7.by / core)"
+    else
+        chmod 600 ~/.git-credentials 2>/dev/null || true
+        echo "✅ Токен сохранён в ~/.git-credentials"
+    fi
+
+    # ВАЖНО: remote URL должен быть БЕЗ токена!
+    # Токен подхватится автоматически из credential helper
+    echo ""
+    echo "📌 Теперь добавляйте remote БЕЗ токена:"
+    echo "   git remote add origin https://git.e7.by/sandbox/repo.git"
+    echo "   git push -u origin main"
+    echo "   (токен подставится автоматически из credential helper)"
+else
+    echo "⏭️  Токен не введён — пропускаю"
+    echo "   Добавьте позже:"
+    echo "   echo 'https://core:ТОКЕН@git.e7.by' >> ~/.git-credentials  # Linux"
+    echo "   security add-internet-password -s git.e7.by -a core -w 'ТОКЕН' -r https  # macOS"
+fi
+
+# ─── 6. Если репо уже есть — чистим токен из remote URL ──────
+echo ""
+echo "🧹 Проверка текущих remote на наличие токена в URL..."
+CLEANED=0
+for repo_remote in $(git remote 2>/dev/null); do
+    url=$(git remote get-url "$repo_remote" 2>/dev/null || true)
+    if echo "$url" | grep -q "://.*:.*@"; then
+        clean_url=$(echo "$url" | sed 's|://[^@]*@|://|')
+        git remote set-url "$repo_remote" "$clean_url"
+        echo "   ✅ $repo_remote: токен удалён из URL"
+        echo "      было: $url"
+        echo "      стало: $clean_url"
+        CLEANED=1
+    fi
+done
+if [ "$CLEANED" -eq 0 ]; then
+    echo "   ✅ Токенов в remote URL не найдено"
+fi
+
+# ─── 7. Финал ────────────────────────────────────────────────
+echo ""
+echo "============================================"
+echo "  ✅ Настройка завершена!"
+echo "============================================"
+echo ""
+echo "📋 Глобальные настройки:"
+echo "--------------------------------------------"
+git config --global --list
+echo "--------------------------------------------"
+echo ""
+echo "🧪 Проверка токена:"
+echo "   git ls-remote https://git.e7.by/sandbox/mlflow-practice.git"
+echo "   (если спросит пароль — токен не подхватился)"

src/autolog_demo.py

@@ -0,0 +1,78 @@
+"""
+Урок 6: MLflow Autolog — автоматическое логирование
+====================================================
+Вместо ручного log_param/log_metric можно вызвать mlflow.autolog()
+ОДИН раз — и MLflow сам залогирует всё: параметры, метрики, модель,
+признаки, даже feature importance.
+
+Сравните с train_simple.py — там всё логировалось вручную.
+
+Запуск:
+    python src/autolog_demo.py
+"""
+from sklearn.datasets import load_wine
+from sklearn.ensemble import GradientBoostingClassifier
+from sklearn.model_selection import train_test_split
+from sklearn.metrics import accuracy_score
+
+import mlflow
+import mlflow.sklearn
+
+
+def main():
+    # ─── КЛЮЧЕВАЯ СТРОКА ──────────────────────────────────────
+    # autolog() включает автоматическое логирование для sklearn.
+    # Доступно для: sklearn, pytorch, tensorflow, xgboost, lightgbm,
+    #               keras, fastai, spark, autogluon, statsmodels
+    mlflow.sklearn.autolog(
+        log_input_examples=False,   # не логировать примеры входа
+        log_model_signatures=False,  # не строить сигнатуру модели
+        log_models=True,             # сохранить модель автоматически
+        log_datasets=True,           # залогировать датасет
+        max_tuning_runs=10,           # лимит для GridSearch
+        log_post_training_metrics=True,
+    )
+    # ─────────────────────────────────────────────────────────
+
+    mlflow.set_experiment("autolog_wine")
+
+    # Датасет wine — классификация вин по 3 сортам
+    wine = load_wine()
+    X, y = wine.data, wine.target
+    X_train, X_test, y_train, y_test = train_test_split(
+        X, y, test_size=0.3, random_state=42
+    )
+    print(f"📊 Датасет wine: {X.shape[0]} образцов, {X.shape[1]} признаков, 3 класса")
+
+    # autolog начинает работать автоматически внутри start_run
+    with mlflow.start_run(run_name="gb_autolog") as run:
+        print(f"MLflow run ID: {run.info.run_id}")
+
+        # Просто обучаем модель — НИКАКИХ log_param/log_metric!
+        model = GradientBoostingClassifier(
+            n_estimators=100,
+            learning_rate=0.1,
+            max_depth=3,
+            random_state=42,
+        )
+        model.fit(X_train, y_train)
+
+        # Можно добавить и ручные метрики — они дополнят автолог
+        y_pred = model.predict(X_test)
+        acc = accuracy_score(y_test, y_pred)
+        mlflow.log_metric("manual_accuracy", acc)
+
+        print(f"\n✅ Готово! Откройте MLflow UI:")
+        print(f"   Эксперимент: autolog_wine")
+        print(f"   Run: {run.info.run_id}")
+        print(f"   Accuracy: {acc:.4f}")
+        print(f"\n🔍 Что autolog залогировал автоматически:")
+        print(f"   • Параметры: n_estimators, learning_rate, max_depth, ...")
+        print(f"   • Метрики: training_accuracy, training_log_loss, ...")
+        print(f"   • Модель: сохранена в artifacts/model/")
+        print(f"   • Датасет: профиль в artifacts/")
+        print(f"   • Ручная метрика: manual_accuracy")
+
+
+if __name__ == "__main__":
+    main()

src/grid_search_cv.py

@@ -0,0 +1,86 @@
+"""
+Урок 9: MLflow + GridSearchCV — автолог перебора
+==================================================
+sklearn GridSearchCV сам перебирает гиперпараметры.
+MLflow autolog автоматически залогирует КАЖУЮ попытку как отдельный run.
+
+Запуск:
+    python src/grid_search_cv.py
+"""
+from sklearn.datasets import load_digits
+from sklearn.ensemble import RandomForestClassifier
+from sklearn.model_selection import GridSearchCV, train_test_split
+from sklearn.metrics import accuracy_score
+
+import mlflow
+import mlflow.sklearn
+
+
+def main():
+    # autolog для sklearn — залогирует все промежуточные попытки GridSearch
+    mlflow.sklearn.autolog(
+        log_models=False,         # не сохранять каждую модель (экономим место)
+        max_tuning_runs=20,      # максимум залогированных под-запусков
+        log_datasets=False,
+    )
+
+    mlflow.set_experiment("gridsearch_digits")
+
+    digits = load_digits()
+    X, y = digits.data, digits.target
+    X_train, X_test, y_train, y_test = train_test_split(
+        X, y, test_size=0.2, random_state=42
+    )
+
+    # Сетка для перебора
+    param_grid = {
+        "n_estimators": [50, 100, 200],
+        "max_depth": [4, 8, 12],
+        "min_samples_split": [2, 5],
+    }
+    # 3 × 3 × 2 = 18 комбинаций × 5 фолдов = 90 обучений
+
+    print(f"🔬 GridSearchCV")
+    print(f"   Комбинаций: {len(param_grid['n_estimators'])} × "
+          f"{len(param_grid['max_depth'])} × "
+          f"{len(param_grid['min_samples_split'])} = "
+          f"{np.prod([len(v) for v in param_grid.values()])}")
+    print(f"   CV фолдов: 5")
+    print(f"   Всего обучений: {np.prod([len(v) for v in param_grid.values()]) * 5}")
+    print()
+
+    with mlflow.start_run(run_name="gridsearch_rf") as run:
+        print(f"MLflow parent run: {run.info.run_id}")
+
+        grid = GridSearchCV(
+            estimator=RandomForestClassifier(random_state=42, n_jobs=-1),
+            param_grid=param_grid,
+            cv=5,
+            scoring="accuracy",
+            n_jobs=-1,
+            verbose=1,
+        )
+        grid.fit(X_train, y_train)
+
+        # Логируем лучший результат
+        best = grid.best_estimator_
+        y_pred = best.predict(X_test)
+        test_acc = accuracy_score(y_test, y_pred)
+
+        mlflow.log_param("best_params", str(grid.best_params_))
+        mlflow.log_metric("best_cv_score", grid.best_score_)
+        mlflow.log_metric("test_accuracy", test_acc)
+
+        print(f"\n🏆 Лучшие параметры: {grid.best_params_}")
+        print(f"   CV score: {grid.best_score_:.4f}")
+        print(f"   Test accuracy: {test_acc:.4f}")
+        print(f"\n📊 В MLflow UI:")
+        print(f"   Эксперимент: gridsearch_digits")
+        print(f"   Parent run: {run.info.run_id}")
+        print(f"   Child runs: {len(grid.cv_results_['params'])} под-запусков")
+        print(f"   Каждый child — отдельная комбинация гиперпараметров")
+
+
+if __name__ == "__main__":
+    import numpy as np
+    main()

src/hyperparam_sweep.py

@@ -0,0 +1,147 @@
+"""
+Урок 7: Hyperparameter Sweep — перебор гиперпараметров
+========================================================
+Запускает множество комбинаций гиперпараметров и логирует каждый
+вариант в MLflow. В UI можно сравнить все варианты и найти лучший.
+
+Запуск:
+    python src/hyperparam_sweep.py
+    python src/hyperparam_sweep.py --max-combos 50  # больше комбинаций
+"""
+import argparse
+import itertools
+import random
+import time
+
+from sklearn.datasets import load_digits
+from sklearn.ensemble import RandomForestClassifier
+from sklearn.model_selection import cross_val_score
+from sklearn.metrics import recall_score, precision_score, f1_score, accuracy_score
+from sklearn.model_selection import train_test_split
+
+import mlflow
+
+
+def main():
+    parser = argparse.ArgumentParser(description="MLflow hyperparameter sweep")
+    parser.add_argument("--max-combos", type=int, default=20,
+                        help="максимум комбинаций для перебора")
+    parser.add_argument("--cv-folds", type=int, default=5,
+                        help="фолдов кросс-валидации")
+    parser.add_argument("--experiment-name", type=str, default="sweep_digits")
+    args = parser.parse_args()
+
+    # ─── Сетка гиперпараметров ───────────────────────────────
+    param_grid = {
+        "n_estimators":   [50, 100, 150, 200, 300],
+        "max_depth":       [4, 6, 8, 12, 16, None],
+        "min_samples_split": [2, 5, 10],
+        "min_samples_leaf":  [1, 2, 4],
+        "max_features":    ["sqrt", "log2", None],
+    }
+
+    # Генерируем все комбинации, берём случайные max_combos
+    all_combos = list(itertools.product(
+        param_grid["n_estimators"],
+        param_grid["max_depth"],
+        param_grid["min_samples_split"],
+        param_grid["min_samples_leaf"],
+        param_grid["max_features"],
+    ))
+    random.seed(42)
+    random.shuffle(all_combos)
+    combos = all_combos[:args.max_combos]
+
+    print(f"🔬 Hyperparameter Sweep")
+    print(f"   Всего возможных комбинаций: {len(all_combos)}")
+    print(f"   Будет запущено: {len(combos)}")
+    print(f"   CV фолдов: {args.cv_folds}")
+    print(f"   Эксперимент: {args.experiment_name}")
+    print()
+
+    # ─── Данные ──────────────────────────────────────────────
+    digits = load_digits()
+    X, y = digits.data, digits.target
+    X_train, X_test, y_train, y_test = train_test_split(
+        X, y, test_size=0.2, random_state=42
+    )
+
+    mlflow.set_experiment(args.experiment_name)
+
+    best_acc = 0.0
+    best_run_id = None
+    best_params = None
+
+    for i, (n_est, depth, min_split, min_leaf, max_feat) in enumerate(combos):
+        params = {
+            "n_estimators": n_est,
+            "max_depth": depth,
+            "min_samples_split": min_split,
+            "min_samples_leaf": min_leaf,
+            "max_features": max_feat,
+        }
+
+        # Описание для имени run
+        depth_str = str(depth) if depth else "None"
+        feat_str = str(max_feat) if max_feat else "None"
+        run_name = f"rf_ne{n_est}_d{depth_str}_ms{min_split}_ml{min_leaf}_mf{feat_str}"
+
+        with mlflow.start_run(run_name=run_name) as run:
+            # Логируем ВСЕ параметры
+            mlflow.log_params(params)
+
+            # Обучаем
+            model = RandomForestClassifier(
+                random_state=42, n_jobs=-1, **params
+            )
+            model.fit(X_train, y_train)
+
+            # Кросс-валидация (более надёжная оценка)
+            cv_scores = cross_val_score(model, X_train, y_train,
+                                         cv=args.cv_folds, scoring="accuracy")
+
+            # Метрики на тесте
+            y_pred = model.predict(X_test)
+            test_acc = accuracy_score(y_test, y_pred)
+            test_recall = recall_score(y_test, y_pred, average="macro")
+            test_precision = precision_score(y_test, y_pred, average="macro")
+            test_f1 = f1_score(y_test, y_pred, average="macro")
+
+            # Логируем метрики
+            mlflow.log_metric("cv_mean_accuracy", cv_scores.mean())
+            mlflow.log_metric("cv_std_accuracy", cv_scores.std())
+            mlflow.log_metric("test_accuracy", test_acc)
+            mlflow.log_metric("test_recall_macro", test_recall)
+            mlflow.log_metric("test_precision_macro", test_precision)
+            mlflow.log_metric("test_f1_macro", test_f1)
+
+            # Тег — номер комбинации
+            mlflow.set_tag("combo_index", str(i))
+
+            # Отслеживаем лучший
+            if test_acc > best_acc:
+                best_acc = test_acc
+                best_run_id = run.info.run_id
+                best_params = params
+
+            # Прогресс
+            bar_len = 30
+            filled = int(bar_len * (i + 1) / len(combos))
+            bar = "█" * filled + "░" * (bar_len - filled)
+            print(f"\r  [{bar}] {i+1}/{len(combos)} | "
+                  f"acc={test_acc:.4f} | {run_name[:40]:<40}", end="")
+
+    print(f"\n\n{'='*60}")
+    print(f"🏆 Лучший результат:")
+    print(f"   Run ID: {best_run_id}")
+    print(f"   Accuracy: {best_acc:.4f}")
+    print(f"   Параметры: {best_params}")
+    print(f"\n📊 Откройте MLflow UI:")
+    print(f"   Эксперимент: {args.experiment_name}")
+    print(f"   Отсортируйте по test_accuracy (клик на заголовок колонки)")
+    print(f"   Сравните cv_mean_accuracy vs test_accuracy")
+    print(f"   если cv_std_accuracy высокий — модель нестабильна")
+
+
+if __name__ == "__main__":
+    main()

src/serve_model.py

@@ -0,0 +1,138 @@
+"""
+Урок 8: Model Serving — разворачивание модели как REST API
+============================================================
+Загружает модель из Model Registry и запускает HTTP-сервер.
+Модель принимает JSON-запросы и возвращает предсказания.
+
+Два способа:
+  1. Встроенный MLflow server (простой):
+     mlflow models serve -m models:/digits_rf_model/Production -p 5001
+
+  2. Этот скрипт — кастомный сервер с дополнительной логикой:
+
+Запуск:
+    python src/serve_model.py --port 5001
+
+Запрос:
+    curl -X POST http://localhost:5001/predict \
+         -H "Content-Type: application/json" \
+         -d '{"instances": [[0,0,0,...,0]]}'
+"""
+import argparse
+import json
+import numpy as np
+from sklearn.datasets import load_digits
+
+import mlflow
+from flask import Flask, request, jsonify
+
+
+def create_app(model_name, stage):
+    app = Flask(__name__)
+
+    # Загружаем модель один раз при старте
+    print(f"📥 Загружаем модель '{model_name}' ({stage})...")
+    model = mlflow.sklearn.load_model(f"models:/{model_name}/{stage}")
+    print(f"✅ Модель загружена!")
+
+    # Загружаем датасет для демо-генерации примеров
+    digits = load_digits()
+
+    @app.route("/health", methods=["GET"])
+    def health():
+        return jsonify({"status": "ok", "model": model_name, "stage": stage})
+
+    @app.route("/info", methods=["GET"])
+    def info():
+        return jsonify({
+            "model": model_name,
+            "stage": stage,
+            "n_features": 64,
+            "classes": [0, 1, 2, 3, 4, 5, 6, 7, 8, 9],
+            "endpoints": ["/health", "/info", "/predict", "/predict_random"],
+        })
+
+    @app.route("/predict", methods=["POST"])
+    def predict():
+        """Предсказание для переданных образцов.
+        Формат запроса:
+        {"instances": [[...64 числа...], [...64 числа...]]}
+        """
+        data = request.get_json(force=True)
+
+        if "instances" not in data:
+            return jsonify({"error": "поле 'instances' обязательно"}), 400
+
+        instances = np.array(data["instances"])
+
+        if instances.shape[-1] != 64:
+            return jsonify({
+                "error": f"ожидалось 64 признака, получено {instances.shape[-1]}"
+            }), 400
+
+        predictions = model.predict(instances)
+
+        # Если модель поддерживает predict_proba — добавим вероятности
+        try:
+            probabilities = model.predict_proba(instances)
+            return jsonify({
+                "predictions": predictions.tolist(),
+                "probabilities": probabilities.tolist(),
+                "n_samples": len(predictions),
+            })
+        except AttributeError:
+            return jsonify({
+                "predictions": predictions.tolist(),
+                "n_samples": len(predictions),
+            })
+
+    @app.route("/predict_random", methods=["GET"])
+    def predict_random():
+        """Демо-эндпоинт: берёт случайный образец из digits и предсказывает."""
+        idx = np.random.randint(0, len(digits.data))
+        sample = digits.data[idx:idx+1]
+        true_label = int(digits.target[idx])
+        prediction = int(model.predict(sample)[0])
+
+        try:
+            probs = model.predict_proba(sample)[0]
+            confidence = float(max(probs))
+        except AttributeError:
+            confidence = None
+
+        return jsonify({
+            "true_label": true_label,
+            "prediction": prediction,
+            "correct": true_label == prediction,
+            "confidence": confidence,
+            "sample_image": sample[0].reshape(8, 8).tolist(),
+        })
+
+    return app
+
+
+def main():
+    parser = argparse.ArgumentParser(description="MLflow model serving")
+    parser.add_argument("--model-name", default="digits_rf_model")
+    parser.add_argument("--stage", default="Production")
+    parser.add_argument("--port", type=int, default=5001)
+    parser.add_argument("--host", default="0.0.0.0")
+    args = parser.parse_args()
+
+    app = create_app(args.model_name, args.stage)
+
+    print(f"\n🚀 Сервер запускается на http://{args.host}:{args.port}")
+    print(f"   /health          — проверка состояния")
+    print(f"   /info            — информация о модели")
+    print(f"   /predict         — предсказание (POST JSON)")
+    print(f"   /predict_random  — случайный образец (GET)")
+    print(f"\n📋 Примеры запросов:")
+    print(f"   curl http://localhost:{args.port}/health")
+    print(f"   curl http://localhost:{args.port}/predict_random")
+    print()
+
+    app.run(host=args.host, port=args.port, debug=False)
+
+
+if __name__ == "__main__":
+    main()

src/train_gpu.py

@@ -18,7 +18,6 @@ import matplotlib
 matplotlib.use("Agg")
 import matplotlib.pyplot as plt
 import torch
-from sklearn.metrics import recall_score, precision_score, f1_score
 import torch.nn as nn
 import torch.optim as optim
 from torch.utils.data import DataLoader
@@ -141,27 +140,11 @@ def main():
 
             acc = correct / total
             test_accs.append(acc)
-
-            # Recall / Precision / F1 (macro-усреднение по 10 классам)
-            all_preds, all_labels = [], []
-            with torch.no_grad():
-                for data, target in test_loader:
-                    data, target = data.to(device), target.to(device)
-                    output = model(data)
-                    pred = output.argmax(dim=1)
-                    all_preds.extend(pred.cpu().numpy())
-                    all_labels.extend(target.cpu().numpy())
-            recall = recall_score(all_labels, all_preds, average="macro")
-            precision = precision_score(all_labels, all_preds, average="macro")
-            f1 = f1_score(all_labels, all_preds, average="macro")
             elapsed = time.time() - t0
 
             # Логируем метрики по эпохам
             mlflow.log_metric("train_loss", avg_loss, step=epoch)
             mlflow.log_metric("test_accuracy", acc, step=epoch)
-            mlflow.log_metric("recall_macro", recall, step=epoch)
-            mlflow.log_metric("precision_macro", precision, step=epoch)
-            mlflow.log_metric("f1_macro", f1, step=epoch)
             mlflow.log_metric("epoch_time_sec", elapsed, step=epoch)
 
             print(f"  → Epoch {epoch+1}: loss={avg_loss:.4f}, "
@@ -186,7 +169,6 @@ def main():
         mlflow.pytorch.log_model(
             model,
             artifact_path="model",
-            serialization_format="pickle",
             registered_model_name=None,
             input_example=torch.randn(1, 1, 28, 28).to(device),
         )

src/train_simple.py

@@ -15,7 +15,7 @@ import matplotlib.pyplot as plt
 import numpy as np
 from sklearn.datasets import load_digits
 from sklearn.ensemble import RandomForestClassifier
-from sklearn.metrics import accuracy_score, confusion_matrix, classification_report, recall_score, precision_score, f1_score
+from sklearn.metrics import accuracy_score, confusion_matrix, classification_report
 from sklearn.model_selection import train_test_split
 
 import mlflow
@@ -66,9 +66,6 @@ def main():
 
         # Логируем метрики
         mlflow.log_metric("accuracy", acc)
-        mlflow.log_metric("recall_macro", recall_score(y_test, y_pred, average="macro"))
-        mlflow.log_metric("precision_macro", precision_score(y_test, y_pred, average="macro"))
-        mlflow.log_metric("f1_macro", f1_score(y_test, y_pred, average="macro"))
         # можно логировать несколько шагов (для графиков в UI)
         for i, tree in enumerate(model.estimators_):
             tree_acc = accuracy_score(y_test, tree.predict(X_test))

start_ui.sh

@@ -7,22 +7,15 @@ set -e
 cd "$(dirname "$0")"
 
 echo "🚀 Запускаем MLflow Tracking Server..."
-echo "   UI:  http://10.0.0.7:5000"
+echo "   UI:  http://localhost:5000"
 echo "   DB:  sqlite:///mlflow.db"
 echo "   Artifacts: ./artifacts"
 echo ""
 echo "   Нажмите Ctrl+C для остановки"
 echo ""
 
-export MLFLOW_ALLOW_ORIGIN="*"
-
 mlflow server \
     --backend-store-uri sqlite:///mlflow.db \
     --default-artifact-root ./artifacts \
-    --serve-artifacts \
-    --allowed-hosts "*" \
-    --cors-allowed-origins "*" \
-    --artifacts-destination ./artifacts \
     --host 0.0.0.0 \
-    --port 5000 \
-    --dev
+    --port 5000