Lägga till en MLflow-experimentresurs i en Databricks-app

Lägg till MLflow-experiment som Databricks Apps-resurser för att aktivera spårning av maskininlärningsexperiment i dina program. MLflow-experiment är ett strukturerat sätt att organisera och logga träningskörningar, spåra parametrar, mått och artefakter under hela modellutvecklingslivscykeln.

När du lägger till ett MLflow-experiment som en resurs kan appen:

• Logga träningskörningar med parametrar och metrik
• Hämta experimentdata och jämför modellprestanda
• Få åtkomst till experimentmetadata och körningshistorik
• Hantera ML-livscykeln programmatiskt

Lägga till en MLflow-experimentresurs

Innan du lägger till ett MLflow-experiment som en resurs granskar du kraven för appresursen.

1. När du skapar eller redigerar en app går du till steget Konfigurera .
2. I avsnittet Appresurser klickar du på + Lägg till resurs.
3. Välj MLflow-experiment som resurstyp.
4. Välj ett MLflow-experiment i listan över tillgängliga experiment på din arbetsyta.
5. Välj lämplig behörighetsnivå för din app:
   • Kan läsa: Ger appen behörighet att visa experimentmetadata, körningar, parametrar och mått. Används för appar som visar experimentresultat.
   • Kan redigera: Ger appen behörighet att ändra experimentinställningar och metadata.
   • Kan hantera: Ger appen fullständig administrativ åtkomst till experimentet.
6. (Valfritt) Ange en anpassad resursnyckel, vilket är hur du refererar till experimentet i appkonfigurationen. Standardnyckeln är experiment.

När du lägger till en MLflow-experimentresurs:

• Azure Databricks ger appens tjänsthuvudnamn de angivna behörigheterna för det valda experimentet.
• Appen kan logga träningskörningar och komma åt experimentdata via MLflow Tracking API.
• Åtkomst begränsas endast till det valda experimentet. Din app kan inte komma åt andra experiment om du inte lägger till dem som separata resurser.

Miljövariabler

När du distribuerar en app med en MLflow-experimentresurs exponerar Azure Databricks experiment-ID:t via miljövariabler som du kan referera till med hjälp av valueFrom fältet i konfigurationen app.yaml .

Exempelkonfiguration:

env:
  - name: MLFLOW_EXPERIMENT_ID
    valueFrom: experiment # Use your custom resource key if different

Använda experiment-ID:t i ditt program:

import os
import mlflow

# Access the experiment using the injected environment variable
experiment_id = os.getenv("MLFLOW_EXPERIMENT_ID")

# Set the experiment for tracking
mlflow.set_experiment(experiment_id=experiment_id)

# Log parameters and metrics
with mlflow.start_run():
    mlflow.log_param("learning_rate", 0.01)
    mlflow.log_metric("accuracy", 0.95)
    mlflow.log_artifact("model.pkl")

Mer information finns i Åtkomst till miljövariabler från resurser.

Ta bort en MLflow-experimentresurs

När du tar bort en MLflow-experimentresurs från en app förlorar appens tjänsthuvudnamn åtkomst till experimentet. Själva experimentet förblir oförändrat och fortsätter att vara tillgängligt för andra användare och program som har lämpliga behörigheter.

Metodtips

Följ dessa metodtips när du arbetar med MLflow-experimentresurser:

• Organisera experiment logiskt efter projekt- eller modelltyp för att förbättra identifieringen.
• Använd konsekventa namngivningskonventioner för körningar och parametrar i hela organisationen.
• Överväg kvarhållningsprinciper för experiment och lagringshantering för långvariga projekt.