# 🧪 MLflow Practice — практический проект

Проект для изучения MLflow на практике: от логирования экспериментов
до Model Registry, Model Serving и воспроизводимых запусков.
Поддерживает **GPU (RTX 3090)** и CPU.

📖 **[CODE_WALKTHROUGH.md](CODE_WALKTHROUGH.md)** — подробный разбор каждого файла.

---

## 📁 Структура

```
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
├── CODE_WALKTHROUGH.md    # экскурс по коду
├── scripts/
│   └── setup_git.sh       # настройка Git (HTTPS + токен)
└── src/
    ├── 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 + предсказание
    ├── compare_runs.py     # Урок 5: сравнение через API
    ├── autolog_demo.py     # Урок 6: autolog (автоматическое)
    ├── hyperparam_sweep.py # Урок 7: перебор гиперпараметров
    ├── serve_model.py      # Урок 8: REST API сервер
    └── grid_search_cv.py   # Урок 9: GridSearchCV + autolog
```

---

## 🚀 Быстрый старт

### 1. Установка

```bash
# На GPU-сервере:
bash setup_server.sh
source .venv/bin/activate

# 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

```bash
./start_ui.sh
# → http://10.0.0.7:5555
```

### 3. Уроки по порядку

```bash
# 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

# Урок 2 — PyTorch CNN на 3090 (~1-2 мин)
python src/train_gpu.py --epochs 10 --batch-size 256 --lr 0.001

# Урок 3 — Регистрация лучшей модели
python src/register_model.py --experiment digits_classification

# 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 — Model serving (REST API)
python src/serve_model.py --port 5001
# → curl http://localhost:5001/predict_random

# Урок 9 — GridSearchCV + autolog (parent/child runs)
python src/grid_search_cv.py
```

### 4. MLflow Projects (воспроизводимый запуск)

```bash
# 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
```

---

## 📚 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 |
| Рекомендуемый batch-size | 256–512 для MNIST |
| CUDA | 12.1 |
| MNIST 10 epochs | ~1-2 минуты |

Код GPU-aware — автоматически выбирает CUDA если доступна.

---

## 💡 Эксперименты для самостоятельной работы

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