Aprenda a configurar un entorno MLflow eficaz para realizar un seguimiento de sus experimentos, comparar y elegir el mejor modelo de implementación.
Entrenar y ajustar varios modelos es una tarea fundamental para cualquier investigador de visión por computadora. Incluso para los más simples, realizamos una búsqueda de hiperparámetros para encontrar la forma óptima de entrenar el modelo en nuestro conjunto de datos personalizado. Técnicas de aumento de datos (que ya incluyen muchas opciones diferentes), elección del optimizador, tasa de aprendizaje y el modelo en sí. ¿Es esta la mejor arquitectura para mi caso? ¿Debería agregar más capas, cambiar la arquitectura y habrá muchas más preguntas esperando ser formuladas e investigadas?
Mientras buscaba una respuesta a todas estas preguntas, solía guardar los archivos de registro del proceso de capacitación del modelo y los puntos de control de salida en diferentes carpetas en mi local, cambiaba el nombre del directorio de salida cada vez que ejecutaba la capacitación y comparaba manualmente las métricas finales. por uno. Abordar el proceso de seguimiento del experimento de una manera tan manual tiene muchas desventajas: es un método de la vieja escuela, que consume tiempo y energía y es propenso a errores.
En esta publicación de blog te mostraré cómo usar MLflow, una de las mejores herramientas para rastrear tu experiencia, permitiéndote registrar toda la información que necesitas, visualizar y comparar las diferentes experiencias de capacitación que has completado y decidir qué capacitación es mejor. ¡Elección óptima en un entorno amigable para el usuario (y la vista)!
