[Документация Yandex Cloud](../../index.md) > [Yandex DataSphere](../index.md) > [Практические руководства](index.md) > Разработка > Создание сервера MLFlow для логирования экспериментов и артефактов # Создание сервера MLFlow для логирования экспериментов и артефактов В практическом руководстве показано, как развернуть [MLFlow Tracking Server](https://mlflow.org/docs/latest/tracking.html) для логирования экспериментов и артефактов на отдельной виртуальной машине [Yandex Compute Cloud](../../compute/index.md). Эксперименты будут проводиться в JupyterLab Notebook. Для хранения внутренних объектов будет использоваться база данных [Yandex Managed Service for PostgreSQL](../../managed-postgresql/index.md), а для хранения артефактов — бакет [Yandex Object Storage](../../storage/index.md). Чтобы создать сервер MLFlow для логирования экспериментов и артефактов JupyterLab Notebook: 1. [Подготовьте инфраструктуру](#infra). 1. [Создайте статический ключ доступа](#create-static-key). 1. [Создайте пару ключей SSH](#create-ssh-keys). 1. [Создайте виртуальную машину](#create-vm). 1. [Создайте управляемую БД](#create-db). 1. [Создайте бакет](#create-bucket). 1. [Установите MLFlow Tracking Server и добавьте его в автозагрузку ВМ](#setup-mlflow). 1. [Создайте секреты](#create-secrets). 1. [Обучите модель](#train-model). Если созданные ресурсы вам больше не нужны, [удалите их](#clear-out). ## Перед началом работы {#before-you-begin} Перед началом работы нужно зарегистрироваться в Yandex Cloud, настроить [сообщество](../concepts/community.md) и привязать к нему [платежный аккаунт](../../billing/concepts/billing-account.md): 1. [На главной странице DataSphere](https://datasphere.yandex.cloud) нажмите **Попробовать бесплатно** и выберите аккаунт для входа — Яндекс ID или рабочий аккаунт в федерации (SSO). 1. Выберите [организацию Yandex Identity Hub](../../organization/index.md), в которой вы будете работать в Yandex Cloud. 1. [Создайте сообщество](../operations/community/create.md). 1. [Привяжите платежный аккаунт](../operations/community/link-ba.md) к сообществу DataSphere, в котором вы будете работать. Убедитесь, что у вас подключен платежный аккаунт, и он находится в [статусе](../../billing/concepts/billing-account-statuses.md) `ACTIVE` или `TRIAL_ACTIVE`. Если платежного аккаунта нет, создайте его в интерфейсе DataSphere. ### Необходимые платные ресурсы {#paid-resources} * Кластер Managed Service for PostgreSQL: выделенные хостам вычислительные ресурсы, объем хранилища и резервных копий ([тарифы Managed Service for PostgreSQL](../../managed-postgresql/pricing.md)). * Виртуальная машина: использование вычислительных ресурсов, хранилища, публичного IP-адреса и операционной системы ([тарифы Compute Cloud](../../compute/pricing.md)). * Бакет Object Storage: использование хранилища и выполнение операций с данными ([тарифы Object Storage](../../storage/pricing.md)). * Проект DataSphere: использование вычислительных ресурсов и хранилища ([тарифы DataSphere](../pricing.md)). ## Подготовьте инфраструктуру {#infra} Войдите в [консоль управления](https://console.yandex.cloud) Yandex Cloud и выберите организацию, в которой вы работаете с DataSphere. На странице [**Yandex Cloud Billing**](https://center.yandex.cloud/billing/accounts) убедитесь, что у вас подключен платежный аккаунт. Если у вас есть активный платежный аккаунт, на [странице облака](https://console.yandex.cloud/cloud) вы можете создать или выбрать каталог, в котором будет работать ваша инфраструктура. {% note info %} Если вы работаете с Yandex Cloud через [федерацию удостоверений](../../organization/concepts/add-federation.md), вам может быть недоступна платежная информация. В этом случае обратитесь к администратору вашей организации в Yandex Cloud. {% endnote %} ### Создайте каталог {#create-folder} {% list tabs group=instructions %} - Консоль управления {#console} 1. В [консоли управления](https://console.yandex.cloud) выберите облако и нажмите кнопку ![create](../../_assets/console-icons/plus.svg) **Создать каталог**. 1. Введите имя каталога, например, `data-folder`. 1. Нажмите кнопку **Создать**. {% endlist %} ### Создайте сервисный аккаунт для Object Storage {#create-sa} Для доступа к бакету в Object Storage вам понадобится [сервисный аккаунт](../../iam/concepts/users/service-accounts.md) с ролями `storage.viewer` и `storage.uploader`. {% list tabs group=instructions %} - Консоль управления {#console} 1. В [консоли управления](https://console.yandex.cloud) перейдите в каталог `data-folder`. 1. [Перейдите]( ../../console/operations/select-service.md#select-service) в сервис **Identity and Access Management**. 1. Нажмите кнопку **Создать сервисный аккаунт**. 1. Введите имя сервисного аккаунта, например, `datasphere-sa`. 1. Нажмите **Добавить роль** и назначьте сервисному аккаунту роли `storage.viewer` и `storage.uploader`. 1. Нажмите кнопку **Создать**. {% endlist %} ## Создайте статический ключ доступа {#create-static-key} Чтобы получить доступ к Object Storage из DataSphere, вам понадобится статический ключ. {% list tabs group=instructions %} - Консоль управления {#console} 1. В [консоли управления](https://console.yandex.cloud) перейдите в каталог, которому принадлежит сервисный аккаунт. 1. [Перейдите]( ../../console/operations/select-service.md#select-service) в сервис **Identity and Access Management**. 1. На панели слева выберите ![FaceRobot](../../_assets/console-icons/face-robot.svg) **Сервисные аккаунты**. 1. В открывшемся списке выберите сервисный аккаунт `datasphere-sa`. 1. На верхней панели нажмите кнопку ![](../../_assets/console-icons/plus.svg) **Создать новый ключ**. 1. Выберите **Создать статический ключ доступа**. 1. Задайте описание ключа и нажмите кнопку **Создать**. 1. Сохраните идентификатор и секретный ключ. После закрытия диалога значение ключа будет недоступно. - CLI {#cli} 1. Создайте ключ доступа для сервисного аккаунта `datasphere-sa`: ```bash yc iam access-key create --service-account-name datasphere-sa ``` Результат: ```text access_key: id: aje6t3vsbj8l******** service_account_id: ajepg0mjt06s******** created_at: "2022-07-18T14:37:51Z" key_id: 0n8X6WY6S24N7Oj***** secret: JyTRFdqw8t1kh2-OJNz4JX5ZTz9Dj1rI9hx***** ``` 1. Сохраните идентификатор `key_id` и секретный ключ `secret`. Получить значение ключа снова будет невозможно. - API {#api} Чтобы создать ключ доступа, воспользуйтесь методом [create](../../iam/awscompatibility/api-ref/AccessKey/create.md) для ресурса [AccessKey](../../iam/awscompatibility/api-ref/AccessKey/index.md). {% endlist %} ## Создайте пару ключей SSH {#create-ssh-keys} Чтобы подключаться к [виртуальной машине](../../compute/concepts/vm.md) по [SSH](../../glossary/ssh-keygen.md), нужна пара ключей: открытый ключ размещается на ВМ, а закрытый ключ хранится у пользователя. Такой способ более безопасен, чем подключение по логину и паролю. {% note info %} В публичных образах Linux, предоставляемых Yandex Cloud, возможность подключения по протоколу SSH с использованием логина и пароля по умолчанию отключена. {% endnote %} Чтобы создать пару ключей: {% list tabs group=operating_system %} - Linux/macOS {#linux-macos} 1. Откройте терминал. 1. Создайте новый ключ с помощью команды `ssh-keygen`: ```bash ssh-keygen -t ed25519 -C "<опциональный_комментарий>" ``` Вы можете передать в параметре `-C` пустую строку, чтобы не добавлять комментарий, или не указывать параметр `-C` вообще — в таком случае будет добавлен комментарий по умолчанию. После выполнения команды вам будет предложено указать имя и путь к файлам с ключами, а также ввести пароль для закрытого ключа. Если задать только имя, пара ключей будет создана в текущей директории. Открытый ключ будет сохранен в файле с расширением `.pub`, закрытый ключ — в файле без расширения. По умолчанию команда предлагает сохранить ключ под именем `id_ed25519` в директории `/home/<имя_пользователя>/.ssh`. Если в этой директории уже есть SSH-ключ с именем `id_ed25519`, вы можете случайно перезаписать его и потерять доступ к ресурсам, в которых он используется. Поэтому рекомендуется использовать уникальные имена для всех SSH-ключей. - Windows 10/11 {#windows} Если у вас еще не установлен [OpenSSH](https://ru.wikipedia.org/wiki/OpenSSH), установите его по [инструкции](https://learn.microsoft.com/ru-ru/windows-server/administration/openssh/openssh_install_firstuse). 1. Запустите `cmd.exe` или `powershell.exe` (предварительно обновите PowerShell). 1. Создайте новый ключ с помощью команды `ssh-keygen`: ```shell ssh-keygen -t ed25519 -C "<опциональный_комментарий>" ``` Вы можете передать в параметре `-C` пустую строку, чтобы не добавлять комментарий, или не указывать параметр `-C` вообще — в таком случае будет добавлен комментарий по умолчанию. После выполнения команды вам будет предложено указать имя и путь к файлам с ключами, а также ввести пароль для закрытого ключа. Если задать только имя, пара ключей будет создана в текущей директории. Открытый ключ будет сохранен в файле с расширением `.pub`, закрытый ключ — в файле без расширения. По умолчанию команда предлагает сохранить ключ под именем `id_ed25519` в папку `C:\Users\<имя_пользователя>/.ssh`. Если в этой директории уже есть SSH-ключ с именем `id_ed25519`, вы можете случайно перезаписать его и потерять доступ к ресурсам, в которых он используется. Поэтому рекомендуется использовать уникальные имена для всех SSH-ключей. - Windows 7/8 {#windows7-8} Создайте ключи с помощью приложения PuTTY: 1. [Скачайте](https://www.putty.org) и установите PuTTY. 1. Добавьте папку с PuTTY в переменную `PATH`: 1. Нажмите кнопку **Пуск** и в строке поиска Windows введите **Изменение системных переменных среды**. 1. Справа снизу нажмите кнопку **Переменные среды...**. 1. В открывшемся окне найдите параметр `PATH` и нажмите **Изменить**. 1. Добавьте путь к папке в список. 1. Нажмите кнопку **ОК**. 1. Запустите приложение PuTTYgen. 1. В качестве типа генерируемой пары выберите **EdDSA**. Нажмите **Generate** и поводите курсором в поле выше до тех пор, пока не закончится создание ключа. ![ssh_generate_key](../../_assets/compute/ssh-putty/ssh_generate_key.png) 1. В поле **Key passphrase** введите надежный пароль. Повторно введите его в поле ниже. 1. Нажмите кнопку **Save private key** и сохраните закрытый ключ. Никому не сообщайте ключевую фразу от него. 1. Нажмите кнопку **Save public key** и сохраните открытый ключ в файле `<имя_ключа>.pub`. {% endlist %} ## Создайте виртуальную машину {#create-vm} {% list tabs group=instructions %} - Консоль управления {#console} 1. На странице [каталога](../../resource-manager/concepts/resources-hierarchy.md#folder) в [консоли управления](https://console.yandex.cloud) нажмите кнопку **Создать ресурс** и выберите `Виртуальная машина`. 1. В блоке **Образ загрузочного диска** в поле **Поиск продукта** введите `Ubuntu 22.04` и выберите публичный образ [Ubuntu 22.04](https://yandex.cloud/ru-kz/marketplace/products/yc/ubuntu-22-04-lts). 1. В блоке **Расположение** выберите [зону доступности](../../overview/concepts/geo-scope.md) `kz1-a`. 1. В блоке **Диски и файловые хранилища** выберите [тип диска](../../compute/concepts/disk.md#disks_types) `SSD` и задайте размер `20 ГБ`. 1. В блоке **Вычислительные ресурсы** перейдите на вкладку `Своя конфигурация` и укажите необходимую [платформу](../../compute/concepts/vm-platforms.md), количество vCPU и объем RAM: * **Платформа** — `Intel Ice Lake`. * **vCPU** — `2`. * **Гарантированная доля vCPU** — `100%`. * **RAM** — `4 ГБ`. 1. В блоке **Сетевые настройки**: * В поле **Подсеть** выберите подсеть, которая указана в [настройках проекта](../operations/projects/update.md) DataSphere. У подсети должен быть [настроен NAT-шлюз](../../vpc/operations/create-nat-gateway.md). * В поле **Публичный IP-адрес** оставьте значение `Автоматически`, чтобы назначить ВМ случайный внешний IP-адрес из пула Yandex Cloud, или выберите статический адрес из списка, если вы зарезервировали его заранее. 1. В блоке **Доступ** выберите вариант **SSH-ключ** и укажите данные для доступа на ВМ: * В поле **Логин** введите имя пользователя. Не используйте имя `root` или другие имена, зарезервированные ОС. Для выполнения операций, требующих прав суперпользователя, используйте команду `sudo`. * В поле **SSH-ключ** выберите SSH-ключ, сохраненный в вашем профиле [пользователя организации](../../organization/concepts/membership.md). Если в вашем профиле нет сохраненных SSH-ключей или вы хотите добавить новый ключ: 1. Нажмите кнопку **Добавить ключ**. 1. Задайте имя SSH-ключа. 1. Выберите вариант: * `Ввести вручную` — вставьте содержимое открытого [SSH](../../glossary/ssh-keygen.md)-ключа. Пару SSH-ключей необходимо [создать](../../compute/operations/vm-connect/ssh.md#creating-ssh-keys) самостоятельно. * `Загрузить из файла` — загрузите открытую часть SSH-ключа. Пару SSH-ключей необходимо создать самостоятельно. * `Сгенерировать ключ` — автоматическое создание пары SSH-ключей. При добавлении сгенерированного SSH-ключа будет создан и загружен архив с парой ключей. В ОС на базе Linux или macOS распакуйте архив в папку `/home/<имя_пользователя>/.ssh`. В ОС Windows распакуйте архив в папку `C:\Users\<имя_пользователя>/.ssh`. Дополнительно вводить открытый ключ в консоли управления не требуется. 1. Нажмите кнопку **Добавить**. SSH-ключ будет добавлен в ваш профиль пользователя организации. Если в организации [отключена](../../organization/operations/os-login-access.md) возможность добавления пользователями SSH-ключей в свои профили, добавленный открытый SSH-ключ будет сохранен только в профиле пользователя внутри создаваемого ресурса. 1. В блоке **Общая информация** задайте имя ВМ: `mlflow-vm`. 1. В блоке **Дополнительно** выберите [сервисный аккаунт](../../iam/concepts/users/service-accounts.md) `datasphere-sa`. 1. Нажмите кнопку **Создать ВМ**. {% endlist %} ## Создайте управляемую БД {#create-db} {% list tabs group=instructions %} - Консоль управления {#console} 1. В [консоли управления](https://console.yandex.cloud) выберите каталог, в котором нужно создать кластер БД. 1. [Перейдите]( ../../console/operations/select-service.md#select-service) в сервис **Managed Service for PostgreSQL**. 1. Нажмите кнопку **Создать кластер**. 1. Введите имя кластера, например `mlflow-bd`. 1. В блоке **Класс хоста** выберите конфигурацию `s3-c2-m8`. 1. В блоке **Размер хранилища** выберите `250 ГБ`. 1. В блоке **База данных** введите имя пользователя и пароль. Они понадобятся для подключения. 1. В блоке **Хосты** выберите зону доступности `kz1-a`. 1. Нажмите кнопку **Создать кластер**. 1. Зайдите в созданную БД и нажмите **Подключиться**. 1. Сохраните ссылку на хост из поля `host` — она понадобится для подключения. {% endlist %} ## Создайте бакет {#create-bucket} {% list tabs group=instructions %} - Консоль управления {#console} 1. В [консоли управления](https://console.yandex.cloud) выберите каталог, в котором хотите создать бакет. 1. [Перейдите]( ../../console/operations/select-service.md#select-service) в сервис **Object Storage**. 1. Справа сверху нажмите кнопку **Создать бакет**. 1. В поле **Имя** укажите имя бакета, например `mlflow-bucket`. 1. В полях **Чтение объектов**, **Чтение списка объектов** и **Чтение настроек** выберите **С авторизацией**. 1. Нажмите кнопку **Создать бакет**. 1. Чтобы создать папку для артефактов MLflow, зайдите в созданный бакет и нажмите **Создать папку**. 1. Введите имя папки, например `artifacts`. {% endlist %} ## Установите MLFlow Tracking Server и добавьте его в автозагрузку ВМ {#setup-mlflow} 1. [Подключитесь](../../compute/operations/vm-connect/ssh.md#vm-connect) к виртуальной машине через SSH. 1. Скачайте дистрибутив `Anaconda`: ```bash curl --remote-name https://repo.anaconda.com/archive/Anaconda3-2023.07-1-Linux-x86_64.sh ``` 1. Запустите установку: ```bash bash Anaconda3-2023.07-1-Linux-x86_64.sh ``` Дождитесь окончания установки и перезапустите оболочку. 1. Создайте окружение: ```bash conda create -n mlflow ``` 1. Активируйте окружение: ```bash conda activate mlflow ``` 1. Установите необходимые пакеты, последовательно выполнив команды: ```bash conda install -c conda-forge mlflow conda install -c anaconda boto3 pip install psycopg2-binary pip install pandas ``` 1. Создайте переменные окружения для доступа к S3: * Откройте файл с переменными: ```bash sudo nano /etc/environment ``` * Добавьте в него следующие строки, подставив значение внутреннего IP вашей виртуальной машины: ```bash MLFLOW_S3_ENDPOINT_URL=https://storage.yandexcloud.net/ MLFLOW_TRACKING_URI=http://<внутренний_IP-адрес_виртуальной_машины>:8000 ``` 1. Укажите данные, которые будут использоваться библиотекой `boto3` для доступа к S3: * Создайте папку `.aws`: ```bash mkdir ~/.aws ``` * Создайте файл `credentials`: ```bash nano ~/.aws/credentials ``` * Добавьте в него следующие строки, подставив идентификатор и значение статического ключа: ```bash [default] aws_access_key_id=<идентификатор_статического_ключа> aws_secret_access_key=<секретный_ключ> ``` 1. Запустите MLFlow Tracking Server, подставив данные вашего кластера: ```bash mlflow server --backend-store-uri postgresql://<имя_пользователя>:<пароль>@<хост>:6432/db1?sslmode=verify-full --default-artifact-root s3://mlflow-bucket/artifacts -h 0.0.0.0 -p 8000 ``` Проверить подключение к MLFlow можно по ссылке `http://<публичный_IP-адрес_виртуальной_машины>:8000`. ### Включите автозапуск MLFlow {#autorun} Чтобы MLFlow автоматически запускался после перезагрузки виртуальной машины, нужно сделать его службой `Systemd`. 1. Создайте директории для хранения логов и ошибок: ```bash mkdir ~/mlflow_logs/ mkdir ~/mlflow_errors/ ``` 1. Создайте файл `mlflow-tracking.service`: ```bash sudo nano /etc/systemd/system/mlflow-tracking.service ``` 1. Добавьте в него следующие строки, подставив свои данные: ```bash [Unit] Description=MLflow Tracking Server After=network.target [Service] Environment=MLFLOW_S3_ENDPOINT_URL=https://storage.yandexcloud.net/ Restart=on-failure RestartSec=30 StandardOutput=file:/home/<имя_пользователя_ВМ>/mlflow_logs/stdout.log StandardError=file:/home/<имя_пользователя_ВМ>/mlflow_errors/stderr.log User=<имя_пользователя_ВМ> ExecStart=/bin/bash -c 'PATH=/home/<имя_пользователя_ВМ>/anaconda3/envs/mlflow_env/bin/:$PATH exec mlflow server --backend-store-uri postgresql://<имя_пользователя_БД>:<пароль>@<хост>:6432/db1?sslmode=verify-full --default-artifact-root s3://mlflow-bucket/artifacts -h 0.0.0.0 -p 8000' [Install] WantedBy=multi-user.target ``` Где: * `<имя_пользователя_ВМ>` — имя учетной записи пользователя ВМ; * `<имя_пользователя_БД>` — имя пользователя, указанное при создании кластера БД. 1. Запустите сервис и активируйте автозагрузку при старте системы: ```bash sudo systemctl daemon-reload sudo systemctl enable mlflow-tracking sudo systemctl start mlflow-tracking sudo systemctl status mlflow-tracking ``` ## Создайте секреты {#create-secrets} 1. Выберите нужный проект в своем сообществе или на [главной странице](https://datasphere.yandex.cloud) DataSphere во вкладке **Недавние проекты**. 1. В блоке **Ресурсы проекта** нажмите ![secret](../../_assets/console-icons/shield-check.svg)**Секрет**. 1. Нажмите **Создать**. 1. В поле **Имя** задайте имя секрета — `MLFLOW_S3_ENDPOINT_URL`. 1. В поле **Значение** вставьте адрес — `https://storage.yandexcloud.net/`. 1. Нажмите **Создать**. 1. Создайте еще три секрета: * `MLFLOW_TRACKING_URI` со значением `http://<внутренний_IP-адрес_виртуальной_машины>:8000`; * `AWS_ACCESS_KEY_ID` с идентификатором статического ключа; * `AWS_SECRET_ACCESS_KEY` со значением статического ключа. ## Обучите модель {#train-model} В примере используется набор данных для прогнозирования качества вина на основе количественных характеристик, таких как кислотность, водородный показатель, остаточный сахар и так далее. Чтобы обучить модель, скопируйте код в ячейки ноутбука. 1. Откройте проект DataSphere: 1. Выберите нужный проект в своем сообществе или на [главной странице](https://datasphere.yandex.cloud) DataSphere во вкладке **Недавние проекты**. 1. Нажмите кнопку **Открыть проект в JupyterLab** и дождитесь окончания загрузки. 1. Откройте вкладку с ноутбуком. 1. Установите необходимые модули: ```python %pip install mlflow ``` 1. Импортируйте необходимые библиотеки: ```python import os import warnings import sys import pandas as pd import numpy as np from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score from sklearn.model_selection import train_test_split from sklearn.linear_model import ElasticNet from urllib.parse import urlparse import mlflow import mlflow.sklearn from mlflow.models import infer_signature import logging ``` 1. Создайте эксперимент в MLFlow: ```python mlflow.set_experiment("my_first_experiment") ``` 1. Создайте функцию оценки качества прогноза: ```python def eval_metrics(actual, pred): rmse = np.sqrt(mean_squared_error(actual, pred)) mae = mean_absolute_error(actual, pred) r2 = r2_score(actual, pred) return rmse, mae, r2 ``` 1. Подготовьте данные, обучите модель и зарегистрируйте ее в MLflow: ```python logging.basicConfig(level=logging.WARN) logger = logging.getLogger(__name__) warnings.filterwarnings("ignore") np.random.seed(40) # Загружаем датасет для оценки качества вина csv_url = ( "https://raw.githubusercontent.com/mlflow/mlflow/master/tests/datasets/winequality-red.csv" ) try: data = pd.read_csv(csv_url, sep=";") except Exception as e: logger.exception( "Unable to download training & test CSV, check your internet connection. Error: %s", e ) # Разделяем датасет на обучающую и тестовую выборку train, test = train_test_split(data) # Выделяем целевую переменную и переменные, используемые для прогноза train_x = train.drop(["quality"], axis=1) test_x = test.drop(["quality"], axis=1) train_y = train[["quality"]] test_y = test[["quality"]] alpha = 0.5 l1_ratio = 0.5 # Создаем запуск в mlflow with mlflow.start_run(): # Создаем и обучаем модель ElasticNet lr = ElasticNet(alpha=alpha, l1_ratio=l1_ratio, random_state=42) lr.fit(train_x, train_y) # Делаем прогнозы качества на тестовой выборке predicted_qualities = lr.predict(test_x) (rmse, mae, r2) = eval_metrics(test_y, predicted_qualities) print("Elasticnet model (alpha={:f}, l1_ratio={:f}):".format(alpha, l1_ratio)) print(" RMSE: %s" % rmse) print(" MAE: %s" % mae) print(" R2: %s" % r2) # Логируем информацию о гиперпараметрах и метриках качества в MLflow mlflow.log_param("alpha", alpha) mlflow.log_param("l1_ratio", l1_ratio) mlflow.log_metric("rmse", rmse) mlflow.log_metric("r2", r2) mlflow.log_metric("mae", mae) predictions = lr.predict(train_x) signature = infer_signature(train_x, predictions) tracking_url_type_store = urlparse(mlflow.get_tracking_uri()).scheme # Регистрируем модель в MLflow if tracking_url_type_store != "file": mlflow.sklearn.log_model( lr, "model", registered_model_name="ElasticnetWineModel", signature=signature ) else: mlflow.sklearn.log_model(lr, "model", signature=signature) ``` Проверить результат можно по ссылке `http://<публичный_IP-адрес_виртуальной_машины>:8000`. ## Как удалить созданные ресурсы {#clear-out} Чтобы перестать платить за созданные ресурсы: * [удалите виртуальную машину](../../compute/operations/vm-control/vm-delete.md); * [удалите кластер](../../managed-postgresql/operations/cluster-delete.md) базы данных; * [удалите объекты](../../storage/operations/objects/delete-all.md) из бакета; * [удалите бакет](../../storage/operations/buckets/delete.md); * [удалите проект](../operations/projects/delete.md).