Konfigurowanie biblioteki MLflow na potrzeby śledzenia modeli w notesach

  • 4 min

Praca w notesie umożliwia interaktywne eksperymentowanie i szybkie iterowanie. Aby ten eksperyment był zrozumiały, należy śledzić to, co próbujesz. Bez śledzenia łatwo stracić z oczu, która konfiguracja dała jaki wynik.

MLflow to biblioteka typu open source do śledzenia eksperymentów uczenia maszynowego i zarządzania nimi. W szczególności MLflow Tracking jest składnikiem MLflow, który rejestruje wszystkie informacje dotyczące trenowanego modelu, takie jak parametry, metryki i artefakty. Oznacza to, że możesz porównać uruchomienia notebooka bezpośrednio z modelami AutoML wytrenowanymi, wszystko w jednym miejscu.

Aby używać MLflow w notesach w obszarze roboczym Azure Machine Learning, musisz zainstalować niezbędne biblioteki i ustawić Azure Machine Learning jako magazyn śledzenia.

Konfiguruj bibliotekę MLflow w notebookach

Notesy można tworzyć i edytować w usłudze Azure Machine Learning lub na urządzeniu lokalnym.

Korzystanie z notesów usługi Azure Machine Learning

W obszarze roboczym usługi Azure Machine Learning można tworzyć notesy i łączyć notesy z wystąpieniem obliczeniowym zarządzanym usługi Azure Machine Learning.

Gdy uruchamiasz notes na wystąpieniu obliczeniowym, środowisko MLflow jest już skonfigurowane i gotowe do użycia.

Aby sprawdzić, czy są zainstalowane niezbędne pakiety, możesz uruchomić następujący kod:

pip show mlflow
pip show azureml-mlflow

Pakiet mlflow jest biblioteką typu open source. Pakiet azureml-mlflow zawiera kod integracji usługi Azure Machine Learning z rozwiązaniem MLflow.

Korzystanie z biblioteki MLflow na urządzeniu lokalnym

Jeśli wolisz pracować w notesach na urządzeniu lokalnym, możesz również skorzystać z biblioteki MLflow. Należy skonfigurować platformę MLflow, wykonując następujące czynności:

  1. Zainstaluj pakiet mlflow i azureml-mlflow .

    pip install mlflow
pip install azureml-mlflow

  2. Przejdź do usługi Azure Machine Learning Studio.

  3. Wybierz nazwę obszaru roboczego, nad którym pracujesz w prawym górnym rogu programu Studio.

  4. Wybierz Wyświetl wszystkie właściwości w Azure Portal. Zostanie otwarta nowa karta, która spowoduje przejście do usługi Azure Machine Learning w witrynie Azure Portal.

  5. Skopiuj wartość URI śledzenia MLflow.

Zrzut ekranu strony z podglądem w Azure Portal pokazujący URI śledzenia MLflow.

  1. Użyj następującego kodu w notesie lokalnym, aby skonfigurować rozwiązanie MLflow tak, aby wskazywało obszar roboczy usługi Azure Machine Learning i ustawiło go na identyfikator URI śledzenia obszaru roboczego.

    mlflow.set_tracking_uri = "MLFLOW-TRACKING-URI"

Wskazówka

Dowiedz się więcej na temat alternatywnych metod konfigurowania środowiska śledzenia podczas pracy na urządzeniu lokalnym. Można na przykład użyć SDK Azure Machine Learning w wersji 2 dla Pythona wraz z plikiem konfiguracji obszaru roboczego, aby ustawić adres URI śledzenia.

Po skonfigurowaniu biblioteki MLflow do śledzenia wyników modelu i przechowywania ich w obszarze roboczym usługi Azure Machine Learning możesz eksperymentować w notesie.