Пример моделей в каталоге Unity
В этом примере показано, как использовать модели в каталоге Unity для создания приложения машинного обучения, которое прогнозирует ежедневные выходные данные энергии ветряной фермы. В примере показано, как выполнить следующие задачи.
- отслеживание и регистрация моделей с помощью MLflow;
- Регистрация моделей в каталоге Unity
- Описание моделей и их развертывание для вывода с помощью псевдонимов
- интеграция зарегистрированных моделей с рабочими приложениями;
- Поиск и обнаружение моделей в каталоге Unity
- Архивация и удаление моделей
В статье описывается, как выполнить эти действия с помощью MLflow Tracking and Models in Unity Catalog UIs and API.
Требования
Убедитесь, что выполнены все требования в соответствии с требованиями. Кроме того, в примерах кода в этой статье предполагается, что у вас есть следующие привилегии:
USE CATALOGпривилегии в каталогеmain.CREATE MODELиUSE SCHEMAпривилегии схемыmain.default.
Записная книжка
Весь код в этой статье представлен в следующей записной книжке.
Модели в примере записной книжки каталога Unity
Установка клиента Python MLflow
В этом примере требуется клиент Python MLflow версии 2.5.0 или более поздней версии и TensorFlow. Добавьте следующие команды в верхней части записной книжки для установки этих зависимостей.
%pip install --upgrade "mlflow-skinny[databricks]>=2.5.0" tensorflow
dbutils.library.restartPython()
Загрузка набора данных, обучение модели и регистрация в каталоге Unity
В этом разделе показано, как загрузить набор данных ветряной фермы, обучить модель и зарегистрировать модель в каталоге Unity. Выполнение обучения модели и метрики отслеживаются в ходе эксперимента.
Загрузка набора данных
Следующий код позволяет загрузить набор данных, содержащий данные о погоде и производстве электроэнергии ветряной электростанцией в США. Набор данных содержит компоненты wind direction,wind speed и air temperature, выборка которых выполняется каждые шесть часов (в 00:00, в 08:00 и в16:00), а также суммарные суточные данные производства электроэнергии (power) за несколько лет.
import pandas as pd
wind_farm_data = pd.read_csv("https://github.com/dbczumar/model-registry-demo-notebook/raw/master/dataset/windfarm_data.csv", index_col=0)
def get_training_data():
training_data = pd.DataFrame(wind_farm_data["2014-01-01":"2018-01-01"])
X = training_data.drop(columns="power")
y = training_data["power"]
return X, y
def get_validation_data():
validation_data = pd.DataFrame(wind_farm_data["2018-01-01":"2019-01-01"])
X = validation_data.drop(columns="power")
y = validation_data["power"]
return X, y
def get_weather_and_forecast():
format_date = lambda pd_date : pd_date.date().strftime("%Y-%m-%d")
today = pd.Timestamp('today').normalize()
week_ago = today - pd.Timedelta(days=5)
week_later = today + pd.Timedelta(days=5)
past_power_output = pd.DataFrame(wind_farm_data)[format_date(week_ago):format_date(today)]
weather_and_forecast = pd.DataFrame(wind_farm_data)[format_date(week_ago):format_date(week_later)]
if len(weather_and_forecast) < 10:
past_power_output = pd.DataFrame(wind_farm_data).iloc[-10:-5]
weather_and_forecast = pd.DataFrame(wind_farm_data).iloc[-10:]
return weather_and_forecast.drop(columns="power"), past_power_output["power"]
Настройка клиента MLflow для доступа к моделям в каталоге Unity
По умолчанию клиент Python MLflow создает модели в реестре моделей рабочей области в Azure Databricks. Чтобы обновить модели в каталоге Unity, настройте клиент для доступа к моделям в каталоге Unity:
import mlflow
mlflow.set_registry_uri("databricks-uc")
Обучение и регистрация модели
Следующий код обучает нейронную сеть с помощью TensorFlow Keras для прогнозирования выходных данных на основе погодных возможностей в наборе данных и использует API MLflow для регистрации встроенной модели в каталоге Unity.
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
MODEL_NAME = "main.default.wind_forecasting"
def train_and_register_keras_model(X, y):
with mlflow.start_run():
model = Sequential()
model.add(Dense(100, input_shape=(X.shape[-1],), activation="relu", name="hidden_layer"))
model.add(Dense(1))
model.compile(loss="mse", optimizer="adam")
model.fit(X, y, epochs=100, batch_size=64, validation_split=.2)
example_input = X[:10].to_numpy()
mlflow.tensorflow.log_model(
model,
artifact_path="model",
input_example=example_input,
registered_model_name=MODEL_NAME
)
return model
X_train, y_train = get_training_data()
model = train_and_register_keras_model(X_train, y_train)
Просмотр модели в пользовательском интерфейсе
Вы можете просматривать зарегистрированные модели и версии моделей в каталоге Unity и управлять ими с помощью Обозреватель каталога. Найдите модель, которую вы только что создали в каталоге и default схемеmain.
Развертывание версии модели для вывода
Модели в каталоге Unity поддерживают псевдонимы для развертывания модели. Псевдонимы предоставляют изменяемые именованные ссылки (например, "Чемпион" или "Challenger") для определенной версии зарегистрированной модели. Вы можете ссылаться и на версии целевой модели с помощью этих псевдонимов в рабочих процессах вывода ниже.
Перейдя к зарегистрированной модели в каталоге Обозреватель, щелкните в столбце "Псевдонимы", чтобы назначить псевдоним "Чемпион" последней версии модели и нажмите кнопку "Продолжить", чтобы сохранить изменения.
Загрузка версий модели с помощью API
Компонент моделей MLflow определяет функции для загрузки моделей с нескольких платформ машинного обучения. Например, mlflow.tensorflow.load_model() используется для загрузки моделей TensorFlow, сохраненных в формате MLflow, и mlflow.sklearn.load_model() используется для загрузки моделей scikit-learn, сохраненных в формате MLflow.
Эти функции могут загружать модели из моделей в каталоге Unity.
import mlflow.pyfunc
model_version_uri = "models:/{model_name}/1".format(model_name=MODEL_NAME)
print("Loading registered model version from URI: '{model_uri}'".format(model_uri=model_version_uri))
model_version_1 = mlflow.pyfunc.load_model(model_version_uri)
model_champion_uri = "models:/{model_name}@Champion".format(model_name=MODEL_NAME)
print("Loading registered model version from URI: '{model_uri}'".format(model_uri=model_champion_uri))
champion_model = mlflow.pyfunc.load_model(model_champion_uri)
Прогнозирование выходных данных питания с помощью модели чемпиона
В этом разделе модель чемпиона используется для оценки данных прогноза погоды для ветряной фермы. Приложение forecast_power() загружает последнюю версию модели прогнозирования с указанного этапа и использует и п прогнозирует с ее помощью объем произведенной электроэнергии на следующие пять дней.
from mlflow.tracking import MlflowClient
def plot(model_name, model_alias, model_version, power_predictions, past_power_output):
import matplotlib.dates as mdates
from matplotlib import pyplot as plt
index = power_predictions.index
fig = plt.figure(figsize=(11, 7))
ax = fig.add_subplot(111)
ax.set_xlabel("Date", size=20, labelpad=20)
ax.set_ylabel("Power\noutput\n(MW)", size=20, labelpad=60, rotation=0)
ax.tick_params(axis='both', which='major', labelsize=17)
ax.xaxis.set_major_formatter(mdates.DateFormatter('%m/%d'))
ax.plot(index[:len(past_power_output)], past_power_output, label="True", color="red", alpha=0.5, linewidth=4)
ax.plot(index, power_predictions.squeeze(), "--", label="Predicted by '%s'\nwith alias '%s' (Version %d)" % (model_name, model_alias, model_version), color="blue", linewidth=3)
ax.set_ylim(ymin=0, ymax=max(3500, int(max(power_predictions.values) * 1.3)))
ax.legend(fontsize=14)
plt.title("Wind farm power output and projections", size=24, pad=20)
plt.tight_layout()
display(plt.show())
def forecast_power(model_name, model_alias):
import pandas as pd
client = MlflowClient()
model_version = client.get_model_version_by_alias(model_name, model_alias).version
model_uri = "models:/{model_name}@{model_alias}".format(model_name=MODEL_NAME, model_alias=model_alias)
model = mlflow.pyfunc.load_model(model_uri)
weather_data, past_power_output = get_weather_and_forecast()
power_predictions = pd.DataFrame(model.predict(weather_data))
power_predictions.index = pd.to_datetime(weather_data.index)
print(power_predictions)
plot(model_name, model_alias, int(model_version), power_predictions, past_power_output)
forecast_power(MODEL_NAME, "Champion")
Добавление описаний модели и версии модели с помощью API
В этом разделе показано, как добавить описания моделей и версий модели с помощью API MLflow.
client = MlflowClient()
client.update_registered_model(
name=MODEL_NAME,
description="This model forecasts the power output of a wind farm based on weather data. The weather data consists of three features: wind speed, wind direction, and air temperature."
)
client.update_model_version(
name=MODEL_NAME,
version=1,
description="This model version was built using TensorFlow Keras. It is a feed-forward neural network with one hidden layer."
)
Создание новой версии модели
Классические методы машинного обучения также эффективны для прогнозирования производства электроэнергии. Следующий код обучает модель случайного леса с помощью scikit-learn и регистрирует его в каталоге Unity с помощью mlflow.sklearn.log_model() функции.
import mlflow.sklearn
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error
with mlflow.start_run():
n_estimators = 300
mlflow.log_param("n_estimators", n_estimators)
rand_forest = RandomForestRegressor(n_estimators=n_estimators)
rand_forest.fit(X_train, y_train)
val_x, val_y = get_validation_data()
mse = mean_squared_error(rand_forest.predict(val_x), val_y)
print("Validation MSE: %d" % mse)
mlflow.log_metric("mse", mse)
example_input = val_x.iloc[[0]]
# Specify the `registered_model_name` parameter of the `mlflow.sklearn.log_model()`
# function to register the model to <UC>. This automatically
# creates a new model version
mlflow.sklearn.log_model(
sk_model=rand_forest,
artifact_path="sklearn-model",
input_example=example_input,
registered_model_name=MODEL_NAME
)
Получение номера новой версии модели
В следующем коде показано, как получить последний номер версии модели для имени модели.
client = MlflowClient()
model_version_infos = client.search_model_versions("name = '%s'" % MODEL_NAME)
new_model_version = max([model_version_info.version for model_version_info in model_version_infos])
Добавление описания к сведениям о новой версии модели
client.update_model_version(
name=MODEL_NAME,
version=new_model_version,
description="This model version is a random forest containing 100 decision trees that was trained in scikit-learn."
)
Пометить новую версию модели как Challenger и протестировать модель
Перед развертыванием модели для обслуживания рабочего трафика рекомендуется протестировать ее в образце рабочих данных. Ранее вы использовали псевдоним "Чемпион" для обозначения версии модели, обслуживающей большинство рабочих нагрузок. Следующий код назначает псевдоним "Challenger" новой версии модели и оценивает его производительность.
client.set_registered_model_alias(
name=MODEL_NAME,
alias="Challenger",
version=new_model_version
)
forecast_power(MODEL_NAME, "Challenger")
Развертывание новой версии модели в качестве версии модели чемпиона
Убедившись, что новая версия модели хорошо работает в тестах, следующий код назначает псевдоним "Чемпион" новой версии модели и использует тот же код приложения из выходных данных прогноза питания с разделом модели чемпиона для создания прогноза прогноза.
client.set_registered_model_alias(
name=MODEL_NAME,
alias="Champion",
version=new_model_version
)
forecast_power(MODEL_NAME, "Champion")
Теперь существуют две версии модели прогнозирования: версия модели, обученная в модели Keras, и версия, обученная в scikit-learn. Обратите внимание, что псевдоним "Challenger" остается назначенным новой версии модели scikit-learn, поэтому все подчиненные рабочие нагрузки, предназначенные для версии модели Challenger, продолжают работать успешно:
Архивация и удаление моделей
Если версия модели больше не используется, ее можно удалить. Вы также можете удалить всю зарегистрированную модель; При этом удаляются все связанные версии модели. Обратите внимание, что удаление версии модели очищает все псевдонимы, назначенные версии модели.
Удаление Version 1 с помощью API MLflow
client.delete_model_version(
name=MODEL_NAME,
version=1,
)
Удаление модели с помощью API MLflow
client = MlflowClient()
client.delete_registered_model(name=MODEL_NAME)
Обратная связь
Ожидается в ближайшее время: в течение 2024 года мы постепенно откажемся от GitHub Issues как механизма обратной связи для контента и заменим его новой системой обратной связи. Дополнительные сведения см. в разделе https://aka.ms/ContentUserFeedback.
Отправить и просмотреть отзыв по