Konfigurieren von MLflow für die Modellverfolgung in Notizbüchern

  • 4 Minuten

Wenn Sie in einem Notizbuch arbeiten, können Sie interaktiv experimentieren und schnell iterieren. Um dieses Experiment sinnvoll zu machen, müssen Sie nachverfolgen, was Sie ausprobieren. Ohne Nachverfolgung verliert man leicht den Überblick darüber, welche Konfiguration welches Ergebnis erzeugt hat.

MLflow ist eine Open-Source-Bibliothek zum Nachverfolgen und Verwalten Von Machine Learning-Experimenten. Insbesondere ist die MLflow-Nachverfolgung eine Komponente von MLflow , die alles über das Modell protokolliert, das Sie trainieren, z. B. Parameter, Metriken und Artefakte. Dies bedeutet, dass Sie Ihr Notizbuch direkt mit den von AutoML trainierten Modellen vergleichen können, alles an einem Ort.

Um MLflow in Notizbüchern im Azure Machine Learning-Arbeitsbereich zu verwenden, müssen Sie die erforderlichen Bibliotheken installieren und Azure Machine Learning als Tracking-Speicher festlegen.

Konfigurieren von MLflow in Notizbüchern

Sie können Notizbücher in Azure Machine Learning oder auf einem lokalen Gerät erstellen und bearbeiten.

Verwenden von Azure Machine Learning-Notizbüchern

Im Azure Machine Learning-Arbeitsbereich können Sie Notizbücher erstellen und die Notizbücher mit einer von Azure Machine Learning verwalteten Computeinstanz verbinden.

Wenn Sie ein Notizbuch auf einer Computeinstanz ausführen, ist MLflow bereits konfiguriert und kann verwendet werden.

Um zu überprüfen, ob die erforderlichen Pakete installiert sind, können Sie den folgenden Code ausführen:

pip show mlflow
pip show azureml-mlflow

Das mlflow Paket ist die Open Source-Bibliothek. Das azureml-mlflow Paket enthält den Integrationscode von Azure Machine Learning mit MLflow.

Verwenden von MLflow auf einem lokalen Gerät

Wenn Sie lieber in Notizbüchern auf einem lokalen Gerät arbeiten, können Sie auch MLflow verwenden. Sie müssen MLflow konfigurieren, indem Sie die folgenden Schritte ausführen:

  1. Installieren Sie das mlflow-Paket und das azureml-mlflow-Paket.

    pip install mlflow
pip install azureml-mlflow

  2. Navigieren Sie zum Azure Machine Learning Studio.

  3. Wählen Sie den Namen des Arbeitsbereichs aus, an dem Sie in der oberen rechten Ecke des Studios arbeiten.

  4. Wählen Sie " Alle Eigenschaften im Azure-Portal anzeigen" aus. Eine neue Registerkarte wird geöffnet, um Sie zum Azure Machine Learning-Dienst im Azure-Portal zu bringen.

  5. Kopieren Sie den Wert des MLflow-Tracking-URI.

Screenshot der Übersichtsseite im Azure-Portal mit dem MLflow-Tracking-URI.

  1. Verwenden Sie den folgenden Code in Ihrem lokalen Notizbuch, um MLflow so zu konfigurieren, dass er auf den Azure Machine Learning-Arbeitsbereich zeigt, und legen Sie ihn auf den Arbeitsbereichverfolgungs-URI fest.

    mlflow.set_tracking_uri = "MLFLOW-TRACKING-URI"

Tipp

Erfahren Sie mehr über alternative Ansätze zum Einrichten der Tracking-Umgebung beim Arbeiten auf einem lokalen Gerät. Sie können z. B. auch das Azure Machine Learning SDK v2 für Python zusammen mit der Arbeitsbereichskonfigurationsdatei verwenden, um den Tracking-URI festzulegen.

Wenn Sie MLflow so konfiguriert haben, dass die Ergebnisse Ihres Modells nachverfolgt und in Ihrem Azure Machine Learning-Arbeitsbereich gespeichert werden, können Sie in einem Notizbuch experimentieren.