Sdílet prostřednictvím

Přístup k serveru pro sledování MLflow mimo Azure Databricks

  • Článek

Můžete se chtít přihlásit k serveru pro sledování MLflow 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 nakonfigurovat rozhraní příkazového řádku MLflow (krok 3).

Informace o tom, jak spustit a přihlásit se k opensourcovém serveru pro sledování, najdete v open source dokumentaci k MLflow.

Krok 1: Konfigurace prostředí

Pokud nemáte účet Azure Databricks, můžete vyzkoušet Databricks zdarma.

Konfigurace prostředí pro přístup k hostovanýmu serveru MLflow pro Azure Databricks:

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

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

    • Zadejte přihlašovací údaje 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 přihlášení k Azure Databricks nastavením identifikátoru URI sledování na databricksnebo databricks://<profileName>, pokud jste při vytváření souboru s přihlašovacími údaji zadali název --profile profilu. Toho můžete dosáhnout například nastavením MLFLOW_TRACKING_URI proměnné prostředí na databricks.

Krok 3: Konfigurace rozhraní příkazového řádku MLflow

Nakonfigurujte rozhraní příkazového řádku MLflow pro komunikaci se serverem pro sledování Azure Databricks s proměnnou MLFLOW_TRACKING_URI prostředí. Pokud chcete například vytvořit experiment pomocí rozhraní příkazového řádku s identifikátorem URI databrickssledování, spusťte:

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