はじめに MLflowは機械学習のライフサイクル管理(MLOps)を目的としたライブラリで、主に実験管理用途で使用されることの多い注目度の高い(GitHubのStar1万超え)ツールです。 ※水色がMLflowのStar数推移 一方で、MLflowの環境構築は機械学習エンジニアにとって門外漢のインフラの知識が求められるため、その活用において鬼門とも言える存在です。 本記事では、インフラの深い知識がなくともMLflowの環境構築ができるよう、公式ドキュメントのチュートリアル(4つのシナリオ)をベースに、分かりやすさ重視で解説していきたいと思います。 本記事の注意点 ※本記事は環境構築に絞った内容となっております。まずはMLflow全般を解説した以下の記事をご参照ください MLflow環境構築の概要 MLflowによる実験管理を実現するためには、以下の4種類の機構を整備する必要があります(実験
![MLflowの環境構築方法まとめ【Docker, S3】 - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/e9d915245abb03201c684ae7b7a97591564b3797/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9TUxmbG93JUUzJTgxJUFFJUU3JTkyJUIwJUU1JUEyJTgzJUU2JUE3JThCJUU3JUFGJTg5JUU2JTk2JUI5JUU2JUIzJTk1JUUzJTgxJUJFJUUzJTgxJUE4JUUzJTgyJTgxJUUzJTgwJTkwRG9ja2VyJTJDJTIwUzMlRTMlODAlOTEmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT01NiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPThlMTk2ZTc2YWU2ZmQ4ZTZhODgxNDBjMzVlY2MyZjdh%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBjNjBldmFwb3JhdG9yJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz1mYWY4ZmYwN2YzODhiODk3MmEwYTI4ZDcyNGU4YmUzMQ%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3Dfa8964a620f6b8064f1a1726850fbcbc)