MLflow és Azure Machine Learning

ÉRVÉNYES:Azure CLI ml-bővítmény v2 (aktuális)Python SDK azure-ai-ml v2 (aktuális)

Ez a cikk az MLflow, egy nyílt forráskódú keretrendszer képességeit ismerteti, amely a teljes gépi tanulási életciklust kezeli. Az MLflow egységes eszközkészlettel tanít be és szolgál ki modelleket különböző platformokon. Használja az MLflow-t, függetlenül attól, hogy a kísérletek helyileg futnak-e távoli számítási célon, virtuális gépen vagy Azure Machine Learning számítási példányon.

Az Azure Machine Learning-munkaterületek MLflow-kompatibilisek, ezért az Azure Machine Learning-munkaterületeket ugyanúgy használja, mint az MLflow-kiszolgálót. Ez a kompatibilitás az alábbi előnyöket kínálja:

Az Azure Machine Learning nem MLflow-kiszolgálópéldányokat üzemeltet, hanem közvetlenül az MLflow API-kat használja.
Használjon azure Machine Learning-munkaterületet nyomkövetési kiszolgálóként bármilyen MLflow-kódhoz, függetlenül attól, hogy az Az Azure Machine Learningben fut-e. Egyszerűen konfigurálja az MLflow-t, hogy arra a munkaterületre mutasson, ahol a nyomon követés történik.
Futtasson minden olyan betanítási rutint, amely módosítás nélkül használja az MLflow-t az Azure Machine Learningben.

Tipp.

Az Azure Machine Learning SDK 1-sel ellentétben az Azure Machine Learning v2 SDK nem tartalmazza a naplózási funkciókat. Az MLflow-naplózással tegye a betanítási rutinokat felhőfüggetlenné, hordozhatóvá, és függetlenné az Azure Machine Learning-től.

Mi a nyomon követés?

A feladatok használatakor az Azure Machine Learning automatikusan nyomon követi a kísérletek adatait, például a kódokat, a környezetet, valamint a bemeneti és kimeneti adatokat. A modellek, paraméterek és metrikák azonban minden forgatókönyvre jellemzőek, ezért a modellkészítőknek be kell állítaniuk a nyomon követésüket.

A mentett nyomkövetési metaadatok kísérletenként eltérőek lehetnek, és a következők lehetnek:

Kód
Környezetadatok, például operációsrendszer-verzió és Python-csomagok
Bemeneti adatok
Paraméterkonfigurációk
Modellek
Értékelési metrikák
Kiértékelési vizualizációk, például keveredési mátrixok és fontossági diagramok
Kiértékelési eredmények, beleértve néhány kiértékelési előrejelzést is

A kísérletek nyomon követésének előnyei

Akár az Azure Machine Learningben, akár a jegyzetfüzetekben interaktív módon tanít be modelleket, a kísérletkövetés a következőket segíti:

Rendszerezze az összes gépi tanulási kísérletet egy helyen. Ezután keressen és szűrjön kísérleteket, majd részletezve tekintse meg a korábbi kísérletek részleteit.
Hasonlítsa össze a kísérleteket, elemezze az eredményeket és a modell betanításának hibakeresését.
Kísérletek reprodukálása vagy újrafuttatása az eredmények ellenőrzéséhez.
Egyszerűbben dolgozhat együtt, mert láthatja, hogy más csapattársak mit csinálnak, hogyan oszthatja meg a kísérlet eredményeit, és programozott módon férhet hozzá a kísérleti adatokhoz.

Nyomon követés az MLflow használatával

Az Azure Machine Learning-munkaterületek MLflow-kompatibilisek. Ez a kompatibilitás azt jelenti, hogy az MLflow használatával nyomon követheti a munkaterületeken futó futtatásokat, metrikákat, paramétereket és összetevőket anélkül, hogy módosítaná a betanítási rutinokat, vagy bármilyen felhőspecifikus szintaxist ad hozzá. Ha szeretné megtudni, hogyan használhatja az MLflow-t a kísérletek nyomon követésére és az Azure Machine Learning-munkaterületeken való futtatáshoz, olvassa el a kísérletek és modellek nyomon követése az MLflow-nal című témakört.

Az Azure Machine Learning MLflow-nyomkövetést használ a metrikák naplózásához és az összetevők tárolásához a kísérletekhez. Amikor csatlakozik az Azure Machine Learninghez, az összes MLflow-nyomkövetés megjelenik a használt munkaterületen.

Ha szeretné megtudni, hogyan engedélyezheti a naplózást a valós idejű futtatási metrikák MLflow-ral való monitorozásához, tekintse meg az MLflow-ral rendelkező naplómetrikákat, paramétereket és fájlokat. Emellett lekérdezheti és összehasonlíthatja a kísérleteket, és futtatható az MLflow használatával.

Az MLflow az Azure Machine Learningben lehetővé teszi a nyomon követés központosítását. Csatlakoztassa az MLflow-t az Azure Machine Learning-munkaterületekhez akkor is, ha helyileg vagy egy másik felhőben dolgozik. Az Azure Machine Learning-munkaterület központosított, biztonságos és skálázható helyet biztosít a betanítási metrikák és modellek tárolásához.

Az MLflow az Azure Machine Learningben a következőket teszi lehetővé:

Nyomon követheti a helyileg vagy a felhőben futó gépi tanulási kísérleteket és modelleket.
Kövesse nyomon az Azure Databricks gépi tanulási kísérleteit.
Kövesse nyomon az Azure Synapse Analytics gépi tanulási kísérleteit.

Nyomon követés MLflow-val az R-ben

Az R MLflow-támogatása az alábbi korlátozásokkal rendelkezik:

Az MLflow-nyomkövetés az Azure Machine Learning-feladatok kísérletmetrikáinak, paramétereinek és modelljeinek nyomon követésére korlátozódik.
Az RStudio, a Posit (korábbi nevén RStudio Workbench) vagy az R kernelekkel rendelkező Jupyter-jegyzetfüzetek interaktív betanítása nem támogatott.
A modellkezelés és a regisztráció nem támogatott. A modellregisztrációhoz és -kezeléshez használja az Azure Machine Learning CLI-t vagy az Azure Machine Learning Studiót.

Az MLflow nyomkövetési ügyfél R-modellekkel való használatára az Azure Machine Learningben például az R-modellek betanítása az Azure Machine Learning CLI-vel (v2) című témakörben talál példákat.

Nyomon követés az MLflow használatával a Javában

A Java MLflow-támogatása az alábbi korlátozásokkal rendelkezik:

Az MLflow-nyomkövetés az Azure Machine Learning-feladatok kísérletmetrikáinak és paramétereinek nyomon követésére korlátozódik.
Az összetevők és modellek nem követhetők nyomon. Ehelyett használja a mlflow.save_model metódust a outputs feladatok mappájával a rögzíteni kívánt modellek vagy összetevők mentéséhez.

Az MLflow-követő ügyfelet az Azure Machine Learning-követő kiszolgálóval használó Java-példaért tekintse meg az azuremlflow-java című témakört.

Példajegyzetfüzetek az MLflow nyomon követéséhez

Az XGBoost-osztályozó MLflow segítségével történő betanítása és nyomon követése bemutatja, hogyan használható az MLflow a kísérletek nyomon követésére, a modellek naplózására és többféle modellcsalád folyamattá való kombinálására.
Egy XGBoost-osztályozó betanítása és nyomon követése az MLflow használatával szolgáltatásnév-hitelesítéssel bemutatja, hogyan használhatja az MLflow-t az Azure Machine Learningen kívül futó számítási kísérletek nyomon követésére. A példa bemutatja, hogyan hitelesíthető az Azure Machine Learning-szolgáltatásokkal egy szolgáltatásnév használatával.
A HyperOpt és a beágyazott MLflow-futtatások használatával végzett hiperparaméter-optimalizálás bemutatja, hogyan használhatja a gyermekfuttatásokat a modellek hiperparaméter-optimalizálására a népszerű HyperOpt-kódtár használatával. A példa bemutatja, hogyan továbbíthat metrikákat, paramétereket és összetevőket a gyermekfuttatásokból a szülőfuttatásokra.
Az MLflow-modellekkel végzett naplózás bemutatja, hogyan használhatja a modellek fogalmát az MLflow-összetevők helyett. A példa azt is bemutatja, hogyan hozhat létre egyéni modelleket.
A futtatások és kísérletek kezelése az MLflow használatával bemutatja, hogyan kérdezhet le kísérleteket, futtatásokat, metrikákat, paramétereket és összetevőket az Azure Machine Learningből.

Modellregisztráció az MLflow használatával

Az Azure Machine Learning támogatja az MLflow-t a modellkezeléshez. Ha ismeri az MLflow-ügyfelet, azzal kezelheti a modell teljes életciklusát. A modellek az Azure Machine Learning MLflow API-val való kezelésével kapcsolatos további információkért lásd: Modellregisztrációs adatbázisok kezelése az Azure Machine Learningben az MLflow használatával.

Példa jegyzetfüzet az MLflow-modell regisztrálásához

Az MLflow-alapú modellkezelés bemutatja, hogyan kezelheti a modelleket a regisztrációs adatbázisokban.

Modell üzembe helyezése az MLflow használatával

MLflow-modellek üzembe helyezése az Azure Machine Learningben a jobb felhasználói élmény érdekében. Az Azure Machine Learning támogatja az MLflow-modellek valós idejű és kötegelt végpontokon való üzembe helyezését környezet vagy pontozó szkript megadása nélkül.

Az MLflow SDK, az Azure Machine Learning CLI, az Azure Machine Learning SDK for Python és az Azure Machine Learning Studio mind támogatják az MLflow-modell üzembe helyezését. Az MLflow-modellek Azure Machine Learningben való valós idejű és kötegelt következtetésre történő üzembe helyezéséről további információt az MLflow-modellek üzembe helyezésének irányelvei című témakörben talál.

Példajegyzetfüzetek az MLflow-modell üzembe helyezéséhez

Az MLflow online végpontokon való üzembe helyezése bemutatja, hogyan helyezhet üzembe MLflow-modelleket online végpontokon az MLflow SDK használatával.
Az MLflow-környezetek fokozatos bevezetése bemutatja, hogyan helyezhet üzembe MLflow-modelleket online végpontokon az MLflow SDK-val progresszív modell bevezetésével. A példa azt is bemutatja, hogyan helyezhet üzembe egy modell több verzióját ugyanazon a végponton.
Az MLflow-modellek régi webszolgáltatásokban való üzembe helyezése bemutatja, hogyan helyezhet üzembe MLflow-modelleket az örökölt webszolgáltatásokban (Azure Container Instances vagy Azure Kubernetes Service v1) az MLflow SDK használatával.
Modellek betanítása az Azure Databricksben és üzembe helyezésük az Azure Machine Learningben bemutatja, hogyan taníthat be modelleket az Azure Databricksben, és hogyan helyezheti üzembe őket az Azure Machine Learningben. A példa az Azure Databricks MLflow-példányával végzett kísérletek nyomon követését is ismerteti.

Betanítás MLflow-projektekkel (előzetes verzió)

Figyelmeztetés

Az Azure Machine Learningben a MLproject fájlok (MLflow-projektek) támogatása 2026 szeptemberében teljesen megszűnik. Az MLflow továbbra is teljes mértékben támogatott , és továbbra is ajánlott a gépi tanulási számítási feladatok nyomon követésére az Azure Machine Learningben.

Az MLflow használata során javasoljuk, hogy az Azure CLI vagy az Azure Machine Learning SDK for Python (v2) használatával váltson át a fájlokról MLproject az Azure Machine Learning-feladatokra. Az Azure Machine Learning-feladatokról további információt az ML-kísérletek és modellek nyomon követése az MLflow használatával című témakörben talál.

Fontos

Ez a funkció jelenleg nyilvános előzetes verzióban érhető el. Ez az előzetes verzió szolgáltatásszintű szerződés nélkül érhető el, és éles számítási feladatokhoz nem javasoljuk. Előfordulhat, hogy néhány funkció nem támogatott, vagy korlátozott képességekkel rendelkezik.

További információ: Kiegészítő használati feltételek a Microsoft Azure előzetes verziójú termékeihez.

Betanítási feladatokat küldhet be az Azure Machine Learningbe az MLflow-projektek használatával. Feladatokat küldhet be helyileg az Azure Machine Learning nyomon követésével, vagy migrálhatja a feladatokat a felhőbe az Azure Machine Learning compute használatával.

Megtudhatja, hogyan küldhet be olyan betanítási feladatokat, amelyek MLflow-projekteket használnak az Azure Machine Learning-munkaterületekre a betanításhoz az Azure Machine Learning MLflow-projektjeivel (előzetes verzió).

Példafüzetek MLflow-projektekhez

Tanítás MLflow projektekkel a helyi számítógépen
MLflow-projektekkel történő betanítás az Azure Machine Learning számítási kapacitáson