MLflow a Azure Machine Learning

PLATÍ PRO:Rozšíření Azure CLI ml v2 (aktuální)Python SDK azure-ai-ml v2 (aktuální)

Tento článek popisuje možnosti MLflow, opensourcové rozhraní, které spravuje kompletní životní cyklus strojového učení. MLflow používá konzistentní sadu nástrojů k trénování a obsluhování modelů na různých platformách. Použijte MLflow bez ohledu na to, jestli se experimenty spouštějí místně, na vzdáleném cílovém výpočetním objektu, virtuálním počítači nebo výpočetní instanci služby Azure Machine Learning.

Pracovní prostory Azure Machine Learning jsou kompatibilní s MLflow, takže používáte pracovní prostor Azure Machine Learning stejným způsobem jako server MLflow. Tato kompatibilita nabízí tyto výhody:

• Azure Machine Learning nehostuje instance serverů MLflow, ale přímo používá rozhraní API MLflow.
• Jako sledovací server použijte pracovní prostor Azure Machine Learning pro jakýkoli kód MLflow bez ohledu na to, jestli běží ve službě Azure Machine Learning. Stačí nakonfigurovat MLflow tak, aby odkazovali na pracovní prostor, kde probíhá sledování.
• Spusťte jakoukoli rutinu trénování, která ve službě Azure Machine Learning používá MLflow, aniž byste museli provádět změny.

Návod

Na rozdíl od sady Azure Machine Learning SDK verze 1 nezahrnuje sada SDK služby Azure Machine Learning v2 funkci protokolování. Použití protokolování MLflow vám umožní udržovat vaše tréninkové rutiny nezávislé na cloudu, přenosné a nezávislé na Azure Machine Learning.

Co je sledování

Když pracujete s úlohami, Azure Machine Learning automaticky sleduje informace o experimentech, jako jsou kód, prostředí a vstupní a výstupní data. Modely, parametry a metriky jsou ale specifické pro každý scénář, takže tvůrci modelů musí nastavit sledování.

Uložená metadata sledování se liší podle experimentu a můžou zahrnovat:

• Code
• Podrobnosti o prostředí, jako je verze operačního systému a balíčky Pythonu
• Vstupní data
• Konfigurace parametrů
• Modely
• Metriky vyhodnocení
• Vizualizace vyhodnocení, jako jsou matrice nejasnosti a diagramy důležitosti
• Výsledky vyhodnocení, včetně některých předpovědí vyhodnocení

Výhody sledování experimentů

Ať už modely trénujete pomocí úloh ve službě Azure Machine Learning nebo interaktivně v poznámkových blocích, pomůže vám sledování experimentů:

• Uspořádejte všechny experimenty strojového učení na jednom místě. Pak vyhledejte a vyfiltrujte experimenty a přejděte k podrobnostem o předchozích experimentech.
• Porovnávejte experimenty, analyzujte výsledky a odstraňujte chyby při trénování modelu.
• Reprodukujte nebo znovu spusťte experimenty, abyste ověřili výsledky.
• Spolupracujte snadněji, protože zjistíte, co dělají ostatní členové týmu, sdílet výsledky experimentů a přistupovat k datům experimentů prostřednictvím kódu programu.

Sledování pomocí MLflow

Pracovní prostory Azure Machine Learning jsou kompatibilní s MLflow. Tato kompatibilita znamená, že ke sledování běhů, metrik, parametrů a artefaktů v pracovních prostorech používáte MLflow, aniž byste museli měnit trénovací rutiny nebo přidávat jakoukoli syntaxi specifickou pro cloud. Informace o používání MLflow ke sledování experimentů a spuštění v pracovních prostorech Azure Machine Learning najdete v tématu Sledování experimentů a modelů pomocí MLflow.

Azure Machine Learning používá sledování MLflow k protokolování metrik a ukládání artefaktů pro experimenty. Když jste připojení ke službě Azure Machine Learning, zobrazí se sledování MLflow ve vašem pracovním prostoru, který používáte.

Informace o tom, jak povolit protokolování pro monitorování metrik spuštění v reálném čase pomocí MLflow, najdete v tématu Metriky protokolu, parametry a soubory pomocí MLflow. Dotazujete se a porovnáváte experimenty a běhy s MLflow.

MLflow ve službě Azure Machine Learning nabízí způsob, jak centralizovat sledování. Připojte MLflow k pracovním prostorům Azure Machine Learning, i když pracujete místně nebo v jiném cloudu. Pracovní prostor Azure Machine Learning poskytuje centralizované, zabezpečené a škálovatelné umístění pro ukládání trénovacích metrik a modelů.

MLflow ve službě Azure Machine Learning umožňuje:

• Sledujte experimenty a modely strojového učení spuštěné místně nebo v cloudu.
• Sledování experimentů strojového učení Azure Databricks
• Sledování experimentů strojového učení azure Synapse Analytics

Sledování pomocí MLflow v R

Podpora MLflow v R má tato omezení:

• Sledování MLflow je omezené na sledování metrik experimentů, parametrů a modelů v úlohách Azure Machine Learning.
• Interaktivní školení pro RStudio, Posit (dříve RStudio Workbench) nebo poznámkové bloky Jupyter s jádry R se nepodporují.
• Správa modelů a registrace se nepodporují. K registraci a správě modelů použijte rozhraní příkazového řádku služby Azure Machine Learning nebo studio Azure Machine Learning.

Příklady použití klienta pro sledování MLflow s modely R ve službě Azure Machine Learning najdete v tématu Trénování modelů R pomocí azure Machine Learning CLI (v2).

Sledování pomocí MLflow v Javě

Podpora MLflow v Javě má tato omezení:

• Sledování MLflow je omezené na sledování metrik experimentů a parametrů v úlohách Azure Machine Learning.
• Artefakty a modely nelze sledovat. Místo toho použijte metodu mlflow.save_model se složkou outputs v úlohách k ukládání modelů nebo artefaktů, které chcete zachytit.

Příklad Javy, který používá klienta pro sledování MLflow se serverem pro sledování služby Azure Machine Learning, najdete v tématu azuremlflow-java.

Ukázkové poznámkové bloky pro sledování MLflow

• Trénování a sledování klasifikátoru XGBoost pomocí MLflow ukazuje, jak pomocí MLflow sledovat experimenty, protokolovat modely a kombinovat více verzí do pipelin.
• Trénování a sledování klasifikátoru XGBoost pomocí MLflow s ověřováním pomocí služebního principu ukazuje, jak pomocí MLflow sledovat experimenty z výpočetního prostředku spuštěného mimo Azure Machine Learning. Příklad ukazuje, jak se ověřovat ve službách Azure Machine Learning pomocí instančního objektu.
• Optimalizace hyperparametrů pomocí HyperOptu a vnořených běhů v MLflow ukazuje, jak pomocí dětských běhů provést optimalizaci hyperparametrů pro modely s využitím oblíbené knihovny HyperOpt. Příklad ukazuje, jak přenést metriky, parametry a artefakty z podřízených spuštění do nadřazených spuštění.
• Protokolování modelů pomocí MLflow ukazuje, jak používat koncept modelů místo artefaktů s MLflow. Příklad také ukazuje, jak vytvořit vlastní modely.
• Správa spuštění a experimentů pomocí MLflow ukazuje, jak pomocí MLflow dotazovat experimenty, běhy, metriky, parametry a artefakty ze služby Azure Machine Learning.

Registrace modelu pomocí MLflow

Azure Machine Learning podporuje MLflow pro správu modelů. Pokud znáte klienta MLflow, můžete ho použít ke správě celého životního cyklu modelu. Další informace o správě modelů pomocí rozhraní API MLflow ve službě Azure Machine Learning najdete v tématu Správa registrů modelů ve službě Azure Machine Learning pomocí MLflow.

Ukázkový poznámkový blok pro registraci modelu MLflow

Správa modelů pomocí MLflow ukazuje, jak spravovat modely v registrech.

Nasazení modelu pomocí MLflow

Nasaďte modely MLflow do služby Azure Machine Learning, abyste získali lepší prostředí. Azure Machine Learning podporuje nasazování modelů MLflow do koncových bodů v reálném čase i dávkových koncových bodů bez zadání prostředí nebo hodnoticího skriptu.

Sada MLflow SDK, Azure Machine Learning CLI, Sada Azure Machine Learning SDK pro Python a studio Azure Machine Learning všechna podporují nasazení modelu MLflow. Další informace o nasazení modelů MLflow do služby Azure Machine Learning pro odvozování v reálném čase i dávkovém odvozování najdete v pokynech pro nasazení modelů MLflow.

Ukázkové poznámkové bloky pro nasazení modelu MLflow

• Nasazení MLflow do online koncových bodů ukazuje, jak nasadit modely MLflow do online koncových bodů pomocí sady MLflow SDK.
• Postupné zavedení nasazení MLflow ukazuje, jak nasadit modely MLflow do online koncových bodů pomocí sady MLflow SDK s progresivním zaváděním modelů. Příklad také ukazuje, jak nasadit více verzí modelu do stejného koncového bodu.
• Nasazení modelů MLflow do starších webových služeb ukazuje, jak nasadit modely MLflow do starších webových služeb (Azure Container Instances nebo Azure Kubernetes Service v1) pomocí sady MLflow SDK.
• Trénování modelů v Azure Databricks a jejich nasazení ve službě Azure Machine Learning ukazuje, jak trénovat modely v Azure Databricks a nasazovat je ve službě Azure Machine Learning. Příklad také popisuje sledování experimentů s instancí MLflow v Azure Databricks.

Školení s projekty MLflow (Preview)

Upozorňující

MLproject Podpora souborů (projektů MLflow) ve službě Azure Machine Learning bude v září 2026 plně vyřazena. MLflow je stále plně podporovaný a stále se doporučuje sledovat úlohy strojového učení ve službě Azure Machine Learning.

Při používání MLflow doporučujeme přejít ze MLproject souborů na úlohy Azure Machine Learning pomocí Azure CLI nebo sady Azure Machine Learning SDK pro Python (v2). Další informace o úlohách Azure Machine Learning najdete v tématu Sledování experimentů a modelů ML pomocí MLflow.

Důležité

Tato funkce je v současné době ve verzi Public Preview. Tato verze Preview je poskytována bez smlouvy o úrovni služeb a nedoporučujeme ji pro produkční úlohy. Některé funkce se nemusí podporovat nebo mohou mít omezené možnosti.

Další informace najdete v dodatečných podmínkách použití pro verze Preview v Microsoft Azure.

Odešlete trénovací úlohy do služby Azure Machine Learning pomocí projektů MLflow. Úlohy můžete odesílat místně pomocí sledování služby Azure Machine Learning nebo migrovat úlohy do cloudu pomocí výpočetních prostředků azure Machine Learning.

Naučte se, jak odesílat trénovací úlohy, které používají projekty MLflow do pracovních prostorů Azure Machine Learning pro účely sledování, v dokumentu Trénování s projekty MLflow ve službě Azure Machine Learning (preview).

Ukázkové poznámkové bloky pro projekty MLflow

• Trénujte s projekty MLflow na místním výpočetním prostředí
• Trénujte s využitím projektů MLflow na výpočetních prostředcích služby Azure Machine Learning

MLflow vs. možnosti klientských nástrojů služby Azure Machine Learning

Následující tabulka uvádí operace životního cyklu strojového učení, které můžete provádět se sadou MLflow SDK a klientskými nástroji Azure Machine Learning.

Funkce	MLflow SDK	Azure Machine Learning CLI/SDK v2	studio Azure Machine Learning
Sledování a protokolování metrik, parametrů a modelů	✓
Načtení metrik, parametrů a modelů	✓	Můžete stáhnout pouze artefakty a modely.	✓
Odeslání trénovacích úloh	Můžete použít projekty MLflow (Preview).	✓	✓
Odesílání trénovacích úloh pomocí datových prostředků služby Azure Machine Learning		✓	✓
Odesílání trénovacích úloh pomocí kanálů strojového učení		✓	✓
Správa experimentů a spuštění	✓	✓	✓
Správa modelů MLflow	Některé operace nejsou podporované. 1	✓	✓
Správa modelů bez MLflow		✓	✓
Nasazení modelů MLflow do služby Azure Machine Learning (online a batch)	Modely MLflow pro dávkové odvozování teď nejde nasadit. 2	✓	✓
Nasazení modelů bez MLflow do Azure Machine Learning		✓	✓

¹ Další informace najdete v tématu Správa registrů modelů ve službě Azure Machine Learning pomocí MLflow.

² Alternativní řešení najdete v tématu Nasazení a spuštění modelů MLflow v úlohách Sparku.

Související obsah

• Konfigurace MLflow pro Azure Machine Learning
• Sledování experimentů a modelů ML pomocí MLflow
• Pokyny pro nasazení modelů MLflow