140 lines
5.6 KiB
Markdown
140 lines
5.6 KiB
Markdown
# 🧪 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
|
||
├── grid_search_cv.py # Урок 8: GridSearchCV + autolog
|
||
└── serve_model.py # Урок 9: REST API сервер
|
||
```
|
||
|
||
---
|
||
|
||
## 🚀 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://10.0.0.7:5000
|
||
```
|
||
|
||
### 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 — 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
|
||
```
|
||
|
||
### 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
|