MLflow を使用して ML の実験とモデルを追跡する

[アーティクル]
09/03/2024

この記事では、MLflow を使用して Azure Machine Learning ワークスペースで実験と実行を追跡する方法について説明します。

追跡は、実行する実験に関する関連情報を保存するプロセスです。保存された情報 (メタデータ) はプロジェクトによって異なり、次の情報を含めることができます。

コード
環境の詳細 (OS バージョン、Python パッケージなど)
入力データ
パラメーターの構成
モデル
評価メトリック
評価の視覚化 (混同行列、重要度プロットなど)
評価結果 (一部の評価予測を含む)

Azure Machine Learning でジョブを操作している場合、Azure Machine Learning は、コード、環境、入出力データなど、実験に関する情報を自動的に追跡します。ただし、モデル、パラメーター、メトリックなどの他のものは、特定のシナリオに固有であるため、モデルビルダーによって追跡を構成する必要があります。

Note

Azure Databricks で実行されている実験を追跡する場合は、「MLflow と Azure Machine Learning を使用して Azure Databricks ML の実験を追跡する」をご覧ください。 Azure Synapse Analytics で実行されている実験の追跡については、「MLflow と Azure Machine Learning を使用して Azure Synapse Analytics ML の実験を追跡する」をご覧ください。

実験を追跡する利点

Azure Machine Learning でジョブを使用してトレーニングする場合でも、ノートブックで対話形式でトレーニングする場合でも、機械学習の実践者が実験を追跡することを強くお勧めします。実験の追跡を使用すると、次のことができます。

すべての機械学習実験を 1 か所で整理します。その後、実験を検索してフィルター処理し、ドリルダウンして、以前実行した実験の詳細を確認できます。
余分な作業をほとんど行わずに、実験を比較し、結果を分析して、モデルのトレーニングをデバッグできます。
実験を再現または再実行して結果を検証できます。
他のチームメイトが何を行っているかを確認し、実験結果を共有して、プログラムで実験データにアクセスすることで、コラボレーションを改善できます。

実験の追跡に MLflow を使用する理由とは?

Azure Machine Learning ワークスペースは MLflow 互換です。つまり、MLflow を使用して、Azure Machine Learning ワークスペースで実行、メトリック、パラメーター、成果物を追跡できます。 MLflow を使用して追跡する主な利点は、Azure Machine Learning で動作するようにトレーニングルーチンを変更したり、クラウド固有の構文を挿入したりする必要がなくなることです。

サポートされている MLflow と Azure Machine Learning の機能の詳細については、「MLflow と Azure Machine Learning」をご覧ください。

制限事項

MLflow API で使用できる一部のメソッドは、Azure Machine Learning に接続したときに使用できない場合があります。サポートされている操作とサポートされていない操作の詳細については、「実行と実験のクエリを実行するためのサポートマトリックス」をご覧ください。

前提条件

Azure サブスクリプション。 Azure サブスクリプションをお持ちでない場合は、開始する前に無料アカウントを作成してください。無料版または有料版の Azure Machine Learning をお試しください。

MLflow SDK パッケージ mlflow と MLflow 用の Azure Machine Learning azureml-mlflow プラグインをインストールします。
```
pip install mlflow azureml-mlflow
```
ヒント

SQL ストレージ、サーバー、UI、またはデータサイエンスの依存関係のない軽量 MLflow パッケージであるパッケージ mlflow-skinny を使用できます。主に必要とするのは MLflow の追跡およびログ機能であり、デプロイを含め、完全な機能のスイートのインポートは必要としないユーザーには mlflow-skinny が推奨されます。
Azure Machine Learning ワークスペース。ワークスペースを作成するには、「機械学習リソースの作成チュートリアル」を参照してください。ワークスペース内で MLflow 操作を実行するために必要なアクセス許可を確認します。
リモート追跡 (つまり、Azure Machine Learning の外部で実行されている実験の追跡) を実行する場合は、Azure Machine Learning ワークスペースの追跡 URI を指すように MLflow を構成します。 MLflow をワークスペースに接続する方法の詳細については、「Azure Machine Learning 用に MLflow を構成する」を参照してください。

実験を構成する

MLflow では、実験と実行に情報が整理されます (Azure Machine Learning では、実行は ジョブ と呼ばれます)。実行は既定では、自動的に作成される [既定] という名前の実験にログされます。追跡が行われるエクスペリエンスを構成できます。

対話形式での作業
ジョブの操作

Jupyter Notebook などで対話形式でトレーニングする場合は、MLflow コマンド mlflow.set_experiment() を使用します。たとえば、次のコードスニペットで実験を構成します。

experiment_name = 'hello-world-example'
mlflow.set_experiment(experiment_name)

Azure Machine Learning CLI または SDK を使用してジョブを送信する場合は、ジョブのプロパティ experiment_name を使用して実験名を設定できます。トレーニングスクリプトでそれを構成する必要はありません。

$schema: https://azuremlschemas.azureedge.net/latest/commandJob.schema.json
command: echo "hello world"
environment:
  image: library/python:latest
tags:
  hello: world
display_name: hello-world-example
experiment_name: hello-world-example
description: |

実行の構成

Azure Machine Learning は、MLflow が実行を呼び出すトレーニングジョブを追跡します。実行を使用して、ジョブが実行するすべての処理をキャプチャします。

対話形式での作業
ジョブの操作

対話形式で作業する場合、アクティブな実行を必要とする情報をログしようとすると、すぐに MLflow によってトレーニングルーチンの追跡が開始されます。たとえば、MLflowの追跡は、メトリックをログするときや、パラメーターをログするとき、または Mlflow の自動ログ機能が有効になっているときにトレーニングサイクルを開始するときなどに開始されます。ただし、実験の合計時間を [期間] フィールドにキャプチャする場合は特に、通常は、実行を明示的に開始すると便利です。実行を明示的に開始するには、mlflow.start_run() を使用します。

実行を手動で開始するかどうかに関係なく、最終的には実行を停止する必要があります。MLflow は実験の実行が完了したことを認識し、実行の状態を完了としてマークできるようにします。実行を停止するには、mlflow.end_run() を使用します。

ノートブックで作業するときに実行を終了することを忘れないように、手動で実行を開始することを強くお勧めします。

手動で実行を開始し、ノートブックでの作業が完了したら終了する方法。
```
mlflow.start_run()

# Your code

mlflow.end_run()
```
実行の終了を忘れないようにするには、通常、コンテキストマネージャーパラダイムを使用すると便利です。
```
with mlflow.start_run() as run:
    # Your code
```
mlflow.start_run() で新しい実行を開始するときは、パラメーター run_name を指定すると便利な場合があります。このパラメーターは、Azure Machine Learning のユーザーインターフェイスで実行の名前に変換され、実行をより迅速に識別するのに役に立ちます。
```
with mlflow.start_run(run_name="hello-world-example") as run:
    # Your code
```

Azure Machine Learning ジョブを使用すると、分離された再現可能な実行として、長期のトレーニングまたは推論ルーチンを送信できます。

トレーニングルーチンを作成する

ジョブを操作する場合は、通常、src などのフォルダー内にすべてのトレーニングロジックをファイルとして配置します。これらのファイルの 1 つは、トレーニングコードのエントリポイントを含む Python ファイルになります。次の例は、hello_world.py の例を示しています。

# imports
import os
import mlflow

from random import random

# define functions
def main():
    mlflow.log_param("hello_param", "world")
    mlflow.log_metric("hello_metric", random())
    os.system(f"echo 'hello world' > helloworld.txt")
    mlflow.log_artifact("helloworld.txt")


# run functions
if __name__ == "__main__":
    # run main function
    main()

前に例示したコードでは mlflow.start_run() は使用しませんが、使用した場合、MLflow は現在のアクティブな実行を再利用します。そのため、コードを Azure Machine Learning に移行する場合は、mlflow.start_run() を使用する行を削除する必要はありません。

ルーチンへの追跡の追加

MLflow SDK を使用して、メトリック、パラメーター、成果物、またはモデルを追跡します。これらのログを記録する方法の例については、「MLflow を使ったメトリック、パラメーター、ファイルのログ」をご覧ください。

ジョブの環境に MLflow がインストールされていることの確認

すべての Azure Machine Learning 環境には既に MLflow がインストールされているため、キュレーションされた環境を使用している場合はアクションは必要ありません。ただし、カスタム環境を使用する場合は次のようにします。

必要な conda.yaml 依存関係を含むファイルを作成します。

channels:
- conda-forge
dependencies:
- python=3.8.5
- pip
- pip:
  - mlflow
  - azureml-mlflow
  - fastparquet
  - cloudpickle==1.6.0
  - colorama==0.4.4
  - dask==2023.2.0

使用しているジョブ内の環境を参照します。

ジョブの名前の構成

Azure Machine Learning ジョブのパラメーター display_name を使用して、実行の名前を構成します。

display_name プロパティを使用してジョブを構成します。

Azure CLI
Python SDK

ジョブを送信するには、job.yml ファイル内のジョブ定義で YAML ファイルを作成します。このファイルは、src ディレクトリの外に作成する必要があります。

$schema: https://azuremlschemas.azureedge.net/latest/commandJob.schema.json
command: echo "hello world"
environment:
  image: library/python:latest
tags:
  hello: world
display_name: hello-world-example
experiment_name: hello-world-example
description: |

from azure.ai.ml import command, Environment

command_job = command(
    code="src",
    command="echo "hello world",
    environment=Environment(image="library/python:latest"),
    compute="cpu-cluster",
    display_name="hello-world-example"
)

トレーニングルーチン内で mlflow.start_run(run_name="") を使用していないことを確認します。

ジョブを送信する

まず、作業を行う Azure Machine Learning ワークスペースに接続します。
- Azure CLI
- Python SDK
```
az account set --subscription <subscription>
az configure --defaults workspace=<workspace> group=<resource-group> location=<location>
```
ワークスペースは、Azure Machine Learning の最上位のリソースで、Azure Machine Learning を使用するときに作成するすべての成果物を操作するための一元的な場所を提供します。このセクションでは、デプロイタスクを実行するワークスペースに接続します。
1. 必要なライブラリをインポートします。
```
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential
```
2. ワークスペースの詳細を構成し、ワークスペースへのハンドルを取得します。
```
subscription_id = "<subscription>"
resource_group = "<resource-group>"
workspace = "<workspace>"

ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group, workspace)
```
ジョブを送信する
- Azure CLI
- Python SDK
Azure Machine Learning CLI を使用してジョブを送信します。 MLflow を使用して Azure Machine Learning で実行されているジョブは、追跡情報をワークスペースに自動的にログします。ターミナルを開き、次のコードを使用してジョブを送信します。
```
az ml job create -f job.yml --web
```
Python SDK を使用してジョブを送信します。 MLflow を使用して Azure Machine Learning で実行されているジョブは、追跡情報をワークスペースに自動的にログします。
```
returned_job = ml_client.jobs.create_or_update(command_job)
returned_job.studio_url
```
Azure Machine Learning スタジオでジョブの進行状況を監視します。

MLflow Autologging を有効化

MLflow を使用してメトリック、パラメーター、ファイルを手動でログできます。ただし、MLflow 自動ログ機能に依存することもできます。 MLflow でサポートされている各機械学習フレームワークは、自動的に追跡する内容を決定します。

自動ログ記録を有効にするには、トレーニングコードの前に次のコードを挿入します。

mlflow.autolog()

ワークスペースでのメトリックと成果物の表示

MLflow ログ記録のメトリックと成果物は、お使いのワークスペースで追跡されます。いつでもスタジオで表示およびアクセスしたり、MLflow SDK を介してプログラムでアクセスしたりできます。

スタジオでメトリックと成果物を表示する方法。

[Azure Machine Learning Studio] に移動します。
ワークスペースに移動します。
ワークスペース内の名前で実験を見つけます。
右側にグラフをレンダリングするには、ログされたメトリックを選びます。スムージングを適用する、色を変更する、複数のメトリックを 1 つのグラフにプロットするという方法でグラフをカスタマイズすることができます。また、サイズ変更、レイアウトの並べ替えも自由に行えます。
目的のビューを作成したら、後で使用できるように保存し、直接リンクを使ってチームメイトと共有します。

MLflow SDK を介してメトリック、パラメーター、成果物にプログラムでアクセスまたはクエリを実行するには、mlflow.get_run()を使用します。

import mlflow

run = mlflow.get_run("<RUN_ID>")

metrics = run.data.metrics
params = run.data.params
tags = run.data.tags

print(metrics, params, tags)

ヒント

メトリックの場合、前に例示したコードでは、そのメトリックの最後の値のみが返されます。特定のメトリックのすべての値を取得する場合は、mlflow.get_metric_history メソッドを使用します。メトリックの値の取得の詳細については、「実行からのパラメーターとメトリックの取得」をご覧ください。

ファイルやモデルなど、ログした成果物をダウンロードするには、mlflow.artifacts.download_artifacts() を使用できます。

mlflow.artifacts.download_artifacts(run_id="<RUN_ID>", artifact_path="helloworld.txt")

MLflow を使用して Azure Machine Learning の実験と実行から情報を取得して比較する方法については、「MLflow を使った実験と実行のクエリと比較」をご覧ください。

次の方法で共有

MLflow を使用して ML の実験とモデルを追跡する

実験を追跡する利点

実験の追跡に MLflow を使用する理由とは?

制限事項

前提条件

実験を構成する

実行の構成

トレーニングルーチンを作成する

ルーチンへの追跡の追加

ジョブの環境に MLflow がインストールされていることの確認

ジョブの名前の構成

ジョブを送信する

MLflow Autologging を有効化

ワークスペースでのメトリックと成果物の表示

フィードバック

その他のリソース

次の方法で共有

MLflow を使用して ML の実験とモデルを追跡する

実験を追跡する利点

実験の追跡に MLflow を使用する理由とは?

制限事項

前提条件

実験を構成する

実行の構成

MLflow Autologging を有効化

ワークスペースでのメトリックと成果物の表示

関連するコンテンツ

フィードバック

その他のリソース