# 🧪 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`