Přístup ke sledovacímu serveru MLflow mimo Azure Databricks

Na server pro sledování MLflow se můžete chtít přihlásit z vlastních aplikací nebo z rozhraní příkazového řádku MLflow.

Tento článek popisuje požadované kroky konfigurace. Začněte instalací MLflow a konfigurací přihlašovacích údajů (krok 1). Pak můžete buď nakonfigurovat aplikaci (krok 2), nebo rozhraní příkazového řádku MLflow (krok 3).

Informace o tom, jak spustit opensourcový sledovací server a přihlásit se k ho, najdete v dokumentaci k open source.

Krok 1: Konfigurace prostředí

Pokud nemáte účet Azure Databricks, můžete databricks zdarma vyzkoušet.

Konfigurace prostředí pro přístup k serveru pro sledování MLflow hostovaného v Azure Databricks:

1. Nainstalujte MLflow pomocí pip install mlflow.
2. Nakonfigurujte ověřování. Proveďte jednu z těchto možností:

   • Vygenerujte token rozhraní REST API a pomocí příkazu vytvořte soubor s přihlašovacími údaji databricks configure --token.

   • Zadání přihlašovacích údajů prostřednictvím proměnných prostředí:

     # Configure MLflow to communicate with a Databricks-hosted tracking server
     export MLFLOW_TRACKING_URI=databricks
     # Specify the workspace hostname and token
     export DATABRICKS_HOST="..."
     export DATABRICKS_TOKEN="..."
     

Krok 2: Konfigurace aplikací MLflow

Nakonfigurujte aplikace MLflow pro protokolování do Azure Databricks nastavením identifikátoru URI sledování na databricksnebo databricks://<profileName>, pokud jste při vytváření souboru přihlašovacích údajů zadali název profilu.--profile Toho můžete dosáhnout například nastavením MLFLOW_TRACKING_URI proměnné prostředí na "databricks".

Krok 3: Konfigurace rozhraní příkazového řádku MLflow

Nakonfigurujte rozhraní příkazového řádku MLflow tak, aby komunikovali se serverem pro sledování služby Azure Databricks pomocí MLFLOW_TRACKING_URI proměnné prostředí. Pokud chcete například vytvořit experiment pomocí rozhraní příkazového řádku s identifikátorem URI databrickspro sledování , spusťte:

# Replace <your-username> with your Databricks username
export MLFLOW_TRACKING_URI=databricks
mlflow experiments create -n /Users/<your-username>/my-experiment