Aracılığıyla paylaş

MLflow ve Azure Machine Learning

  • Makale

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)Python SDK azure-ai-ml v2 (geçerli)

Bu makalede, makine öğrenmesi yaşam döngüsünün tamamını yönetmek için tasarlanmış açık kaynak bir çerçeve olan MLflow'un özellikleri açıklanmaktadır. MLflow, modelleri farklı platformlarda eğitmek ve sunmak için tutarlı bir araç kümesi kullanır. Denemeleriniz yerel olarak veya uzak işlem hedefi, sanal makine veya Azure Machine Learning işlem örneğinde çalışıyor olsun MLflow kullanabilirsiniz.

Azure Machine Learning çalışma alanları MLflow ile uyumludur; bu da Bir Azure Machine Learning çalışma alanını MLflow sunucusunu kullandığınız gibi kullanabileceğiniz anlamına gelir. Bu uyumluluk aşağıdaki avantajlara sahiptir:

  • Azure Machine Learning, MLflow sunucu örneklerini barındırmaz, ancak MLflow API'lerini doğrudan kullanabilir.
  • Azure Machine Learning'de çalıştırılsa da çalışmasa da herhangi bir MLflow kodu için izleme sunucunuz olarak bir Azure Machine Learning çalışma alanını kullanabilirsiniz. MLflow'ı yalnızca izlemenin gerçekleşmesi gereken çalışma alanına işaret eden şekilde yapılandırmanız gerekir.
  • Herhangi bir değişiklik yapmadan Azure Machine Learning'de MLflow kullanan herhangi bir eğitim yordamını çalıştırabilirsiniz.

İpucu

Azure Machine Learning SDK v1'den farklı olarak Azure Machine Learning v2 SDK'sında günlüğe kaydetme işlevi yoktur. Eğitim yordamlarınızın buluttan bağımsız, taşınabilir ve Azure Machine Learning'e bağımlılığı olmadığından emin olmak için MLflow günlüğünü kullanabilirsiniz.

MLflow ile izleme

Azure Machine Learning, denemeleriniz için ölçümleri günlüğe kaydetmek ve yapıtları depolamak için MLflow izlemesini kullanır. Azure Machine Learning'e bağlandığınızda, tüm MLflow izleme işlemleri üzerinde çalıştığınız çalışma alanında gerçekleştirilmiş olur.

Denemeler ve eğitim yordamları için MLflow izlemeyi ayarlamayı öğrenmek için bkz . MLflow ile günlük ölçümleri, parametreler ve dosyalar. Ayrıca MLflow ile denemeleri ve çalıştırmaları sorgulayabilir ve karşılaştırabilirsiniz.

Azure Machine Learning'de MLflow, izlemeyi merkezi hale getirmek için bir yol sağlar. Yerel olarak veya farklı bir bulutta çalışırken bile MLflow'u Azure Machine Learning çalışma alanlarına bağlayabilirsiniz. Azure Machine Learning çalışma alanı, eğitim ölçümlerini ve modellerini depolamak için merkezi, güvenli ve ölçeklenebilir bir konum sağlar.

Azure Machine Learning'de MLflow yapabilecekleri:

R'de MLflow ile izleme

R'de MLflow desteği aşağıdaki sınırlamalara sahiptir:

  • MLflow izlemesi, Azure Machine Learning işlerinde deneme ölçümlerini, parametrelerini ve modellerini izlemekle sınırlıdır.
  • RStudio, Posit (eski adıyla RStudio Workbench) veya R çekirdeklerine sahip Jupyter not defterleri üzerinde etkileşimli eğitim desteklenmez.
  • Model yönetimi ve kaydı desteklenmez. Model kaydı ve yönetimi için Azure Machine Learning CLI veya Azure Machine Learning stüdyosu kullanın.

Azure Machine Learning'de R modelleriyle MLflow izleme istemcisini kullanma örnekleri için bkz . Azure Machine Learning CLI(v2) kullanarak R modellerini eğitin.

Java'da MLflow ile izleme

Java'da MLflow desteği aşağıdaki sınırlamalara sahiptir:

  • MLflow izleme, Azure Machine Learning işlerinde deneme ölçümlerini ve parametrelerini izlemekle sınırlıdır.
  • Yapıtlar ve modeller izlenemez. Bunun yerine, yakalamak istediğiniz modelleri veya yapıtları kaydetmek için işlerdeki klasörüyle outputs yöntemini kullanınmlflow.save_model.

Azure Machine Learning izleme sunucusuyla MLflow izleme istemcisini kullanan bir Java örneği için bkz . azuremlflow-java.

MLflow izleme için örnek not defterleri

  • MLflow ile bir XGBoost sınıflandırıcısını eğitmek ve izlemek, denemeleri izlemek, modelleri günlüğe kaydetmek ve birden çok çeşidi işlem hatlarında birleştirmek için MLflow'un nasıl kullanılacağını gösterir.
  • Hizmet sorumlusu kimlik doğrulamasını kullanarak MLflow ile XGBoost sınıflandırıcısını eğitme ve izleme, Azure Machine Learning dışında çalışan bir işlemden denemeleri izlemek için MLflow'un nasıl kullanılacağını gösterir. Örnek, hizmet sorumlusu kullanarak Azure Machine Learning hizmetlerinde kimlik doğrulaması yapmayı gösterir.
  • HyperOpt kullanarak hiper parametre iyileştirmesi ve MLflow'da iç içe çalıştırmalar, popüler HyperOpt kitaplığını kullanarak modeller için hiper parametre iyileştirmesi yapmak üzere alt çalıştırmaların nasıl kullanılacağını gösterir. Örnek, alt çalıştırmalardan üst çalıştırmalara ölçümleri, parametreleri ve yapıtları aktarmayı gösterir.
  • MLflow ile modelleri günlüğe kaydetme, MLflow ile yapıtlar yerine model kavramının nasıl kullanılacağını gösterir. Örnekte ayrıca özel model oluşturma gösterilmektedir.
  • MLflow ile çalıştırmaları ve denemeleri yönetme, Azure Machine Learning'den denemeleri, çalıştırmaları, ölçümleri, parametreleri ve yapıtları sorgulamak için MLflow'un nasıl kullanılacağını gösterir.

MLflow ile model kaydı

Azure Machine Learning, model yönetimi için MLflow'a destek sağlar. Bu destek, MLflow istemcisini bilen kullanıcıların model yaşam döngüsünün tamamını yönetmesi için kullanışlı bir yoldur. Azure Machine Learning'de MLflow API'sini kullanarak modelleri yönetme hakkında daha fazla bilgi için bkz . MLflow ile Azure Machine Learning'de model kayıt defterlerini yönetme.

MLflow model kaydı için örnek not defteri

MLflow ile model yönetimi, kayıt defterlerindeki modellerin nasıl yönetileceğini gösterir.

MLflow ile model dağıtımı

Geliştirilmiş bir deneyimden yararlanmak için MLflow modellerini Azure Machine Learning'e dağıtabilirsiniz. Azure Machine Learning, ortam veya puanlama betiği belirtmek zorunda kalmadan MLflow modellerinin hem gerçek zamanlı hem de toplu iş uç noktalarına dağıtımını destekler.

MLflow SDK'sı, Azure Machine Learning CLI, Python için Azure Machine Learning SDK'sı ve tüm Azure Machine Learning stüdyosu MLflow modeli dağıtımını destekler. Hem gerçek zamanlı hem de toplu çıkarım için MLflow modellerini Azure Machine Learning'e dağıtma hakkında daha fazla bilgi için bkz . MLflow modellerini dağıtma yönergeleri.

MLflow modeli dağıtımı için örnek not defterleri

  • MLflow'un çevrimiçi uç noktalara dağıtılması, MLflow SDK'sını kullanarak MLflow modellerini çevrimiçi uç noktalara dağıtmayı gösterir.
  • MLflow dağıtımlarının aşamalı dağıtımı, aşamalı model dağıtımı ile MLflow SDK'sını kullanarak MLflow modellerini çevrimiçi uç noktalara dağıtmayı gösterir. Örnek ayrıca bir modelin birden çok sürümünün aynı uç noktaya dağıtımını da gösterir.
  • MLflow modellerini eski web hizmetlerine dağıtma MLflow SDK'sını kullanarak MLflow modellerinin eski web hizmetlerine (Azure Container Instances veya Azure Kubernetes Service v1) nasıl dağıtılacağı gösterilmektedir.
  • Azure Databricks'te modelleri eğitin ve Azure Machine Learning'de dağıtın; Azure Databricks'te modelleri eğitmeyi ve Azure Machine Learning'de dağıtmayı gösterir. Örnek, Azure Databricks'teki MLflow örneğiyle yapılan izleme denemelerini de kapsar.

MLflow Projeleri ile eğitim (önizleme)

Uyarı

Azure Machine Learning'deki dosyalar (MLflow Projeleri) desteği MLproject Eylül 2026'da tamamen kullanımdan kaldırılacaktır. MLflow hala tam olarak desteklenmektedir ve Azure Machine Learning'de makine öğrenmesi iş yüklerini izlemenin hala önerilen yoludur.

MLflow kullanmaya devam ettikçe, Azure CLI veya Python için Azure Machine Learning SDK'sını (v2) kullanarak dosyalardan MLproject Azure Machine Learning İşlerine geçmenizi öneririz. Azure Machine Learning işleri hakkında daha fazla bilgi için bkz . MLflow ile ML denemelerini ve modellerini izleme.

Önemli

Bu özellik şu anda genel önizlemededir. Bu önizleme sürümü hizmet düzeyi sözleşmesi olmadan sağlanır ve üretim iş yükleri için bu sürümü önermeyiz. Bazı özellikler desteklenmiyor olabileceği gibi özellikleri sınırlandırılmış da olabilir.

Daha fazla bilgi için bkz. Microsoft Azure Önizlemeleri Ek Kullanım Koşulları.

MLflow Projelerini kullanarak Azure Machine Learning'e eğitim işleri gönderebilirsiniz. Azure Machine Learning izleme ile işleri yerel olarak gönderebilir veya Azure Machine Learning işlemi aracılığıyla işlerinizi buluta geçirebilirsiniz.

İzleme için MLflow Projelerini kullanan eğitim işlerini Azure Machine Learning çalışma alanlarına göndermeyi öğrenmek için bkz . Azure Machine Learning'de MLflow Projeleriyle Eğitma (önizleme).

MLflow Projeleri için örnek not defterleri

MLflow ile Azure Machine Learning istemci araçları özellikleri karşılaştırması

Aşağıdaki tabloda, MLflow SDK'sı ve Azure Machine Learning istemci araçlarıyla mümkün olan makine öğrenmesi yaşam döngüsü işlemleri gösterilmektedir.

Özellik MLflow SDK'sı Azure Machine Learning CLI/SDK v2 Azure Machine Learning Studio
Ölçümleri, parametreleri ve modelleri izleme ve günlüğe kaydetme ✓
Ölçümleri, parametreleri ve modelleri alma ✓ Yalnızca yapıtlar ve modeller indirilebilir. ✓
Eğitim işleri gönderme MLflow Projeleri (önizleme) kullanılarak mümkündür. ✓ ✓
Azure Machine Learning veri varlıklarıyla eğitim işleri gönderme ✓ ✓
Makine öğrenmesi işlem hatları ile eğitim işleri gönderme ✓ ✓
Denemeleri ve çalıştırmaları yönetme ✓ ✓ ✓
MLflow modellerini yönetme Bazı işlemler desteklenmeyebilir.1 ✓ ✓
MLflow olmayan modelleri yönetme ✓ ✓
MLflow modellerini Azure Machine Learning'e dağıtma (çevrimiçi ve toplu iş) Toplu çıkarım için MLflow modellerinin dağıtılması şu anda desteklenmiyor.2 ✓ ✓
MLflow olmayan modelleri Azure Machine Learning'e dağıtma ✓ ✓

1 Daha fazla bilgi için bkz . MLflow ile Azure Machine Learning'de model kayıt defterlerini yönetme.

2 Alternatif olarak bkz . Spark işlerinde MLflow modellerini dağıtma ve çalıştırma.

İlgili içerik