Descubra cómo configurar un entorno MLflow eficiente para realizar un seguimiento de sus experimentos, comparar y elegir el mejor modelo para la implementación.
Entrenar y ajustar varios modelos es una tarea básica para todo investigador de visión por computadora. Incluso para los más sencillos, 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), la elección del optimizador, la tasa de aprendizaje y el modelo en sí. ¿Es la mejor arquitectura para mi caso? ¿Debería agregar más capas, cambiar la arquitectura y habrá muchas más preguntas esperando a ser formuladas y buscadas?
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 una capacitación y comparaba las métricas finales manualmente una vez. por uno. Abordar el proceso de seguimiento de experimentos de una manera tan manual tiene muchas desventajas: es de la vieja escuela, consume tiempo y energía y es propenso a errores.
En esta publicación de blog, le mostraré cómo usar MLflow, una de las mejores herramientas para realizar un seguimiento de su experimento, permitiéndole registrar cualquier información que necesite, visualizar y comparar los diferentes experimentos de capacitación que ha realizado y decidir qué capacitación es la mejor. ¡Elección óptima en un entorno amigable para el usuario (y la vista)!