Zugreifen auf den MLflow-Nachverfolgungsserver von außerhalb von Azure Databricks
Artikel
Möglicherweise müssen Sie sich über Ihre eigenen Anwendungen oder die MLflow-CLI beim MLflow-Überwachungsserver anmelden.
In diesem Artikel werden die erforderlichen Konfigurationsschritte beschrieben. Installieren Sie zunächst MLflow, und konfigurieren Sie Ihre Anmeldeinformationen (Schritt 1). Anschließend können Sie entweder eine Anwendung (Schritt 2) oder die MLflow-CLI (Schritt 3) konfigurieren.
Informationen zum Starten von und Anmelden bei einem Open-Source-Überwachungsserver finden Sie in der MLflow Open-Source-Dokumentation.
Führen Sie die folgenden Schritte aus, um Ihre Umgebung für den Zugriff auf Ihren in Azure Databricks gehosteten MLflow-Überwachungsserver zu konfigurieren:
Installieren Sie MLflow mithilfe von pip install mlflow.
Konfigurieren Sie die Authentifizierung. Verwenden Sie hierfür eine der folgenden Optionen:
Generieren Sie ein REST-API-Token, und erstellen Sie mithilfe von databricks configure --token eine Anmeldeinformationsdatei.
Geben Sie Anmeldeinformationen über Umgebungsvariablen an:
# 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="..."
Schritt 2: Konfigurieren von MLflow-Anwendungen
Konfigurieren Sie MLflow-Anwendungen für die Anmeldung bei Azure Databricks, indem Sie den Nachverfolgungs-URI auf databricks bzw. auf databricks://<profileName> festlegen, wenn Sie beim Erstellen Ihrer Anmeldeinformationsdatei über --profile einen Profilnamen angegeben haben. Legen Sie hierfür beispielsweise die Umgebungsvariable MLFLOW_TRACKING_URI auf „databricks“ fest.
Schritt 3: Konfigurieren der MLflow-CLI
Konfigurieren Sie die MLflow-CLI für die Kommunikation mit einem Azure Databricks-Überwachungsserver mit der Umgebungsvariable MLFLOW_TRACKING_URI. Führen Sie beispielsweise Folgendes aus, um mithilfe der CLI mit dem Nachverfolgungs-URI databricks ein Experiment zu erstellen:
# Replace <your-username> with your Databricks username
export MLFLOW_TRACKING_URI=databricks
mlflow experiments create -n /Users/<your-username>/my-experiment
Verwalten Sie Datenerfassung und -vorbereitung, Modelltraining und -bereitstellung sowie die Überwachung von Machine Learning-Lösungen mit Python, Azure Machine Learning und MLflow.