Configuración de MLflow para el seguimiento de modelos en cuadernos

  • 4 minutos

Trabajar en un cuaderno le permite experimentar de forma interactiva e iterar rápidamente. Para que esa experimentación sea significativa, debe realizar un seguimiento de lo que prueba. Sin seguimiento, es fácil perder la vista de qué configuración produjo el resultado.

MLflow es una biblioteca de código abierto para realizar un seguimiento y administrar los experimentos de aprendizaje automático. En concreto, el seguimiento de MLflow es un componente de MLflow que registra todo sobre el modelo que está entrenando, como parámetros, métricas y artefactos. Esto significa que puede comparar las ejecuciones de su notebook directamente con los modelos AutoML entrenados, todo en un solo lugar.

Para usar MLflow en cuadernos del área de trabajo de Azure Machine Learning, debe instalar las bibliotecas necesarias y establecer Azure Machine Learning como almacén de seguimiento.

Configuración de MLflow en cuadernos

Puede crear y editar cuadernos en Azure Machine Learning o en un dispositivo local.

Uso de cuadernos de Azure Machine Learning

En el área de trabajo de Azure Machine Learning, puede crear cuadernos y conectar los cuadernos a una instancia de proceso administrada de Azure Machine Learning.

Al ejecutar un cuaderno en una instancia de proceso, MLflow ya está configurado y listo para usarse.

Para comprobar que los paquetes necesarios están instalados, puede ejecutar el código siguiente:

pip show mlflow
pip show azureml-mlflow

El mlflow paquete es la biblioteca de código abierto. El azureml-mlflow paquete contiene el código de integración de Azure Machine Learning con MLflow.

Uso de MLflow en un dispositivo local

Cuando prefiera trabajar en cuadernos en un dispositivo local, también puede usar MLflow. Para configurar MLflow, siga estos pasos:

  1. Instale el paquete mlflow y el paquete azureml-mlflow.

    pip install mlflow
pip install azureml-mlflow

  2. Vaya a Azure Machine Learning Studio.

  3. Seleccione el nombre del área de trabajo en la esquina superior derecha del estudio.

  4. Seleccione Ver todas las propiedades en Azure Portal. Se abre una nueva pestaña que le llevará al servicio Azure Machine Learning en Azure Portal.

  5. Copie el valor del URI de seguimiento de MLflow.

Captura de pantalla de la página de información general de Azure Portal en la que se muestra el URI de seguimiento de MLflow.

  1. Use el código siguiente en el cuaderno local para configurar MLflow para que apunte al área de trabajo de Azure Machine Learning y establézcalo en el URI de seguimiento del área de trabajo.

    mlflow.set_tracking_uri = "MLFLOW-TRACKING-URI"

Sugerencia

Obtenga información sobre los enfoques alternativos para configurar el entorno de seguimiento al trabajar en un dispositivo local. Por ejemplo, también puede usar el SDK de Azure Machine Learning v2 para Python, junto con el archivo de configuración del área de trabajo, para establecer el URI de seguimiento.

Al configurar MLflow para realizar un seguimiento de los resultados del modelo y almacenarlos en el área de trabajo de Azure Machine Learning, está listo para experimentar en un cuaderno.