Configurar o MLflow para acompanhamento de modelos em notebooks

  • 4 minutos

Trabalhar em um bloco de anotações permite que você experimente interativamente e itere rapidamente. Para tornar essa experimentação significativa, você precisa acompanhar o que tenta. Sem acompanhamento, é fácil perder de vista qual configuração produziu o resultado.

O MLflow é uma biblioteca de software livre para acompanhar e gerenciar seus experimentos de machine learning. Em particular, o MLflow Tracking é um componente do MLflow que registra tudo sobre o modelo que você está treinando, como parâmetros, métricas e artefatos. Isso significa que você pode comparar as execuções do notebook diretamente com os modelos treinados pelo AutoML, tudo em um só lugar.

Para usar o MLflow em notebooks no workspace do Azure Machine Learning, você precisa instalar as bibliotecas necessárias e definir o Azure Machine Learning como o repositório de acompanhamento.

Configurar o MLflow em notebooks

Você pode criar e editar notebooks no Azure Machine Learning ou em um dispositivo local.

Usar notebooks do Azure Machine Learning

No workspace do Azure Machine Learning, você pode criar notebooks e conectar os notebooks a uma instância de computação gerenciada do Azure Machine Learning.

Quando você estiver executando um notebook em uma instância de computação, o MLflow já está configurado e pronto para ser usado.

Para verificar se os pacotes necessários estão instalados, você pode executar o seguinte código:

pip show mlflow
pip show azureml-mlflow

O mlflow pacote é a biblioteca de software livre. O azureml-mlflow pacote contém o código de integração do Azure Machine Learning com o MLflow.

Usar o MLflow em um dispositivo local

Quando você prefere trabalhar em notebooks em um dispositivo local, também pode usar o MLflow. Você precisa configurar o MLflow concluindo as seguintes etapas:

  1. Instale os pacotes mlflow e azureml-mlflow.

    pip install mlflow
pip install azureml-mlflow

  2. Navegue até o estúdio do Azure Machine Learning.

  3. Selecione o nome do workspace no qual você está trabalhando no canto superior direito do estúdio.

  4. Selecione Exibir todas as propriedades no portal do Azure. Uma nova guia é aberta para levá-lo ao serviço do Azure Machine Learning no portal do Azure.

  5. Copie o valor do URI de acompanhamento do MLflow.

Captura de tela da página de visão geral no portal do Azure mostrando o URI de acompanhamento do MLflow.

  1. Use o código a seguir no notebook local para configurar o MLflow para apontar para o workspace do Azure Machine Learning e defini-lo como o URI de acompanhamento do workspace.

    mlflow.set_tracking_uri = "MLFLOW-TRACKING-URI"

Dica

Saiba mais sobre abordagens alternativas para configurar o ambiente de acompanhamento ao trabalhar em um dispositivo local. Por exemplo, você também pode usar o SDK do Azure Machine Learning v2 para Python, juntamente com o arquivo de configuração do workspace, para definir o URI de acompanhamento.

Quando você configurou o MLflow para acompanhar os resultados do modelo e armazená-lo em seu workspace do Azure Machine Learning, você estará pronto para experimentar em um notebook.