破浪会有时的博客

我们将通过一系列文章学习机器学习管道（Machine Learning Pipeline）的一个实例。这一章节我们主要描述如何通过Flask进行简单的部署，以及如何通过使用`python anywhere`将我们上一章节的flask应用运行在云端。

我们将通过一系列文章学习机器学习管道（Machine Learning Pipeline）的一个实例。此章节中，我们将介绍`sklearn.pipeline`的使用。并且，除了通过`pipeline`将整个机器学习的流程串起来之外，我们可以通过`GridSearchCV`类实现自动调参。即，我们可以手动给这个机器学习流程中的参数一个范围，然后让系统遍历所有可能性，最后选出性能最好的那个参数。

我们将通过一系列文章学习机器学习管道（Machine Learning Pipeline）的一个实例。此章节中，我们将按照一般的流程进行模型训练。

我们将通过一系列文章学习机器学习管道（Machine Learning Pipeline）的一个实例。这里我们将先对训练数据做一些梳理，以满足机器学习模型的输入要求。

在这个博客中，我们将详细提供一系列案例，基于mlflow和keras的深度学习框架对`winequality-white`数据进行quanlity预测的端到端流程，以及通过随机选择和Hyperopt优化进行调整超参数。相关代码参见：https://gitee.com/yichaoyyds/mlflow-ex-hyperparametertunning。

在这个博客中，我们将介绍MLFlow REST API的代码，以及一些函数的使用，包括新建mlflow run，新建experiment，从experiment id/name中获得相关experiment信息，设置Tag/param/metric信息，设置log batch信息等等。MLFlow REST API的详细介绍参见博客MLOps极致细节：7. MLFlow REST API 功能介绍及应用。

在这个博客中，我们将基于mlflow的官方案例来解读如何使用docker环境运行mlflow代码。我们使用的平台是Win10，但在运行过程中，我们发现在Win10平台上操作会出现bug，由于目前手头上正巧没有Linux主机，所以只能继续使用Win10平台，并在本文中详细解释bug的原因（`docker: Error response from daemon: invalid mode`）以及如何更正。

MLFlow Projects允许我们将代码及其依赖项打包为一个可以在其他平台上以可复制（reproducible）和可重用（reusable）的方式运行的项目。每个项目都包括自己的代码和一个MLproject文件，该文件定义了它的依赖项（例如Python环境），以及可以在项目中运行哪些命令以及它们采用的参数。上一章节中，我们对MLflow Projects的概念以及结果进行了描述（参见博客：MLOps极致细节：4. MLFlow Projects 案例介绍）。这里我们将对[代码]进行详细解读。

MLFlow Projects允许我们将代码及其依赖项打包为一个可以在其他平台上以可复制（reproducible）和可重用（reusable）的方式运行的项目。每个项目都包括自己的代码和一个MLproject文件，该文件定义了它的依赖项（例如Python环境），以及可以在项目中运行哪些命令以及它们采用的参数。在这个案例中，我们基于MLFlow的官方GitHub文档，具体说明MLflow Projects如何被使用，以及结果。

MLflow Tracking是一个API以及包含UI界面，能够允许我们记录代码中的log matrics和artifacts文件，查看运行历史记录，并且进行一些结果的数据可视化。上一章节中，我们对MLflow Tracking的概念进行了描述，参见博客：MLOps极致细节：2. MLFlow Tracking 介绍。这里我们将对代码进行详细解读。

MLflow Tracking是一个API以及包含UI界面，能够允许我们记录代码中的log matrics和artifacts文件，查看运行历史记录，并且进行一些结果的数据可视化。在这个案例中，我们会具体说明MLflow Tracking如何被使用，以及结果。

这个博客，我们将非常简单地介绍一个比较实用的MLOps开源工具：MLFlow。在接下来的一系列博客中，我们将逐渐列举一些实例，和大家一起一步步通过MLFlow来学习MLOps是如何让机器学习/深度学习流程化的。

此博客主要介绍什么是MLOps，为什么用MLOps，以及MLOps与DevOps，破布，敏捷等产品开发流程的区别。