Få åtkomst till MLflow-spårningsservern utanför Azure Databricks
Du kanske vill logga in på MLflow-spårningsservern från dina egna program eller från MLflow CLI.
I den här artikeln beskrivs de nödvändiga konfigurationsstegen. Börja med att installera MLflow och konfigurera dina autentiseringsuppgifter (steg 1). Sedan kan du antingen konfigurera ett program (steg 2) eller konfigurera MLflow CLI (steg 3).
Information om hur du startar och loggar till en spårningsserver med öppen källkod finns i dokumentationen om MLflow-öppen källkod.
Steg 1: Konfigurera din miljö
Om du inte har något Azure Databricks-konto kan du prova Databricks kostnadsfritt.
Så här konfigurerar du din miljö för åtkomst till din Azure Databricks-värdbaserade MLflow-spårningsserver:
- Installera MLflow med .
pip install mlflow
- Konfigurera autentisering. Gör något av:
Generera en REST API-token och skapa en autentiseringsfil med .
databricks configure --token
Ange autentiseringsuppgifter via miljövariabler:
# Configure MLflow to communicate with a Databricks-hosted tracking server export MLFLOW_TRACKING_URI=databricks # Specify the workspace hostname and token export DATABRICKS_HOST="..." export DATABRICKS_TOKEN="..."
Steg 2: Konfigurera MLflow-program
Konfigurera MLflow-program att logga in på Azure Databricks genom att ange spårnings-URI : n till databricks
, eller databricks://<profileName>
, om du angav ett profilnamn via --profile
när du skapade filen med dina autentiseringsuppgifter. Du kan till exempel uppnå detta genom att ange MLFLOW_TRACKING_URI
miljövariabeln till "databricks".
Steg 3: Konfigurera MLflow CLI
Konfigurera MLflow CLI för att kommunicera med en Azure Databricks-spårningsserver med MLFLOW_TRACKING_URI
miljövariabeln. Om du till exempel vill skapa ett experiment med hjälp av CLI med spårnings-URI databricks
kör du:
# Replace <your-username> with your Databricks username
export MLFLOW_TRACKING_URI=databricks
mlflow experiments create -n /Users/<your-username>/my-experiment