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:
- Nainstalujte MLflow pomocí
pip install mlflow
. - 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 databricks
nebo 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 databricks
pro sledování , spusťte:
# Replace <your-username> with your Databricks username
export MLFLOW_TRACKING_URI=databricks
mlflow experiments create -n /Users/<your-username>/my-experiment