Претрага се покреће у МЛфлов-у

• ИД или назив експеримента
• Покрени ИД
• Параметри и вредности
• Метрике и вредности
• Ознаке
• Остали атрибути који су повезани са трчањима

Покретања се могу филтрирати према статусу, времену почетка, времену завршетка и трајању уз коришћење МЛфлов АПИ-ја за претрагу. Олакшава филтрирање кроз многе серије и проналажење одређених серија за које су корисници заинтересовани.

МЛфлов функција претраживања

Користите функцију млфлов.сеарцх_рунс() да бисте приступили МЛфлов АПИ-ју за претрагу. Ова функција прихвата различите аргументе као што су следећи:

• ИД или назив експеримента
• Филтер стринг или текст
• Максималан број покретања за враћање је одређен аргументом мак_ресултс

Поједностављена варијанта СКЛ (Струцтуред Куери Лангуаге) клаузуле ВХЕРЕ је стринг или текст филтера. Може се користити за означавање критеријума по којима желимо да сортирамо серије.

Синтакса функције МЛфлов Сеарцх_Рунс().

Стварни ИД или назив експеримента у којем желимо да претражимо мора бити замењен са „екперимент_ид ор екперимент_наме“ у следећем примеру. Променљива сеарцх_цритериа омогућава унос критеријума претраге по жељи. Ови критеријуми могу бити одређени метриком, ознакама, параметрима или додатним карактеристикама. Основна синтакса функције сеарцх_рунс() је следећа:

Покрените претрагу користећи бројне критеријуме

1. Претрага по метричкој вредности

Покретања се могу филтрирати према вредностима одређених метрика користећи поље метрика у АПИ-ју за претрагу МЛфлов. Колекција назива метрика одвојених зарезима појављује се у пољу метрика. На пример, следећи низ филтера лоцира сва покретања са вредношћу тачности већом од 0,9:

Комплетна листа метрика доступних за коришћење у пољу метрика је дата на следећи начин:

• тачност
• ауц
• ф1
• прецизност
• поврат
• Мапа
• логлосс
• грешка_класификације
• мулти_цласс_логлосс

Поред тога, корисници могу да филтрирају трчања према опсегу вредности метрике помоћу поља метрике. На пример, следећи низ филтера лоцира све серије које имају меру тачности са вредношћу између 0,4 и 0,8:

У пољу за метрику, АНД и ОР оператори комбинују метрику да би пронашли низове са тачношћу метрике и вредностима ф1 изнад 0,3 и 0,8:

2. Претрага по вредности параметра

Користите поље парамс у МЛфлов АПИ-ју за претрагу да бисте извршили претрагу према вредности параметра. Имена и вредности параметара су наведени у пољу параметара помоћу зареза. У овом примеру, горе поменути низ филтера лоцира сва покретања са параметром нум_боост_роунд који имају вредност 100:

Још неколико примера стрингова за претрагу вредности параметара:

• парамс.нум_боост_роунд = 900
• парамс.леарнинг_рате ИЗМЕЂУ 0,001 И 0,01
• парамс.нум_боост_роунд=’70’ И парамс.леарнинг_рате=’0.01′

3. Претрага по ознакама

Ево примера претраге која користи ознаке:

Пример вредности матрице и параметара за извођење функције Млфлов.сеарцх_рунс()

Хајде да прорадимо кроз пример подешавања МЛфлов експеримента, евидентирања покретања, а затим коришћења млфлов.сеарцх_рунс() за покретање претраге. Да бисте у потпуности разумели код, следите ове кораке:

Корак 1: Направите МЛфлов експеримент

Почињемо постављањем експеримента МЛфлов. Он преузима постојећи експеримент ако експеримент већ постоји. Ако не, ствара се нови.

Објашњење кода:

Библиотека МЛфлов је увезена у првом реду кода, а експеримент_наме је подешен на „Мој први МЛфлов експеримент“ у следећем реду. Када се експеримент_наме проследи функцији „млфлов.гет_екперимент_би_наме“, та функција враћа „Ништа“ ако експеримент не постоји и објекат експеримента у супротном.

Проверите постојање експеримента у условном исказу. Ако експеримент већ постоји, подесите експеримент_ид. У супротном, користите „млфлов.цреате_екперимент“ да направите нови експеримент. Ова функција враћа ИД експеримента. Прикажите ИД експеримента на екрану конзоле или терминала на крају експеримента. Копирајте следећи код у бележницу и сачувајте датотеку са жељеним именом и са екстензијом „.пи”:

Сада покрените програм у командној линији или прозору терминала користећи Питхон компајлер и откуцајте „Питхон“, а затим име датотеке које је, у овом случају, „МиФирстМлфловЕкперимент.пи“. Када је експеримент први пут покренут, он још не постоји. Дакле, МЛФлов га креира и штампа ИД експеримента на екрану конзоле:

Поново покрените код да бисте проверили да не прави нове експерименте и да бисте приказали ИД оних који већ постоје. Следећи снимак екрана показује да експеримент већ постоји:

Корак 2: Забележите радње са метрикама и параметрима

Хајде сада да покушамо да запишемо неке трке са метрикама и параметрима за управо успостављени експеримент. У стварном сценарију, развијамо моделе машинског учења и бележимо релевантне информације, као што су метрике и параметри, на крају сваког покретања. Овде се као матричка вредност користи тачност, која је у овом случају 0,95. Вредности параметара за стопу учења и ефикасности су 0,01 и 90, респективно. Ево кода:

Резултат, када се изврши горе поменути код, се види овде. Резултат је исти као и раније:

Корак 3: Извршите претрагу користећи Млфлов.сеарцх_рунс()

Коначно, покрећемо претрагу покретања који су забележени помоћу неколико параметара и приказујемо резултате на екрану терминала:

Упозорење које се односи на алатку Гит производи се извршавањем функције сеарцх_рунс:

Додајте неки код на врх Питхон датотеке да бисте онемогућили ово упозорење. Ево кратког дела кода:

Функција „млфлов.сеарцх_рунс“ се успешно извршава када се додају ове линије кода:

Закључак

Функција „млфлов.сеарцх_рунс“ омогућава корисницима да брзо истраже и процене експерименте машинског учења, анализирају много покрета и одреде оптималне варијације хиперпараметара или моделе који резултирају жељеним исходима. То је ефикасан алат за надгледање, планирање и анализу процеса машинског учења.