Azure Machine Learning'de MLflow Projeleri ile eğitin (önizleme)

Bu makalede, izleme için Azure Machine Learning çalışma alanlarını kullanan MLflow Projeleri ile eğitim işleri göndermeyi öğrenin. İşleri gönderebilir ve yalnızca Azure Machine Learning ile izleyebilir veya çalıştırmalarınızı tamamen Azure Machine Learning İşlem'de çalıştırılacak şekilde buluta geçirebilirsiniz.

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.

MLflow Projeleri , kodunuzu diğer veri bilimcilerinin (veya otomatik araçların) çalıştırmasına izin verecek şekilde düzenlemenize ve açıklamanıza olanak sağlar. Azure Machine Learning ile MLflow Projeleri, çalışma alanınızdaki eğitim çalıştırmalarınızı izlemenize ve yönetmenize olanak tanır.

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 ve Azure Machine Learning tümleştirmesi hakkında daha fazla bilgi edinin.

Önkoşullar

• MLflow SDK paketini mlflow ve MLflow azureml-mlflowiçin Azure Machine Learning eklentisini yükleyin.

  pip install mlflow azureml-mlflow
  

  İpucu

  SQL depolama, sunucu, kullanıcı arabirimi veya veri bilimi bağımlılıkları olmadan basit bir MLflow paketi olan paketini kullanabilirsiniz mlflow-skinny . mlflow-skinny dağıtımlar da dahil olmak üzere tüm özellik paketini içeri aktarmadan öncelikle MLflow'un izleme ve günlüğe kaydetme özelliklerine ihtiyaç duyan kullanıcılar için önerilir.

• Azure Machine Learning çalışma alanı. Makine öğrenmesi kaynakları oluşturma öğreticisini izleyerek bir tane oluşturabilirsiniz.

  • Çalışma alanınızda MLflow işlemlerinizi gerçekleştirmek için hangi erişim izinlerine ihtiyacınız olduğunu görün.

• Uzaktan izleme (yani Azure Machine Learning dışında çalışan izleme denemeleri) gerçekleştiriyorsanız, MLflow'ı Azure Machine Learning çalışma alanınızın izleme URI'sine işaret eden şekilde yapılandırın. MLflow'u çalışma alanınıza bağlama hakkında daha fazla bilgi için bkz . Azure Machine Learning için MLflow'u yapılandırma.

• Azure Machine Learning'in MLflow projeleri için arka uç olarak kullanılması için paketi azureml-coregerekir:

  pip install azureml-core
  

Çalışma alanınıza bağlanma

Azure Machine Learning dışında çalışıyorsanız, MLflow'ı Azure Machine Learning çalışma alanınızın izleme URI'sine işaret eden şekilde yapılandırmanız gerekir. Yönergeleri Azure Machine Learning için MLflow'u yapılandırma başlığında bulabilirsiniz.

Azure Machine Learning çalışma alanlarında MLflow Projelerini izleme

Bu örnekte, MLflow projelerinin nasıl gönderilip Azure Machine Learning'de izlenip izlenip izlenmeyeceğimi gösterilmektedir.

1. azureml-mlflow Çalışma alanınızdaki ölçümleri ve anahtar yapıtları izlemek için paketi ortam yapılandırma dosyanıza pip bağımlılığı olarak ekleyin.

   conda.yaml

   name: mlflow-example
   channels:
     - defaults
   dependencies:
     - numpy>=1.14.3
     - pandas>=1.0.0
     - scikit-learn
     - pip:
       - mlflow
       - azureml-mlflow
   

2. Yerel çalıştırmayı gönderin ve otomatik izleme, modelin yakalaması, günlük dosyaları, anlık görüntüler ve çalışma alanınızdaki yazdırılan hataların desteğini ekleyen parametresini backend = "azureml"ayarladığınızdan emin olun. Bu örnekte, çalıştırmaya çalıştığınız MLflow projesinin şu anda uri="."ile aynı klasörde olduğunu varsayarız.

   MLflow CLI

   mlflow run . --experiment-name  --backend azureml --env-manager=local -P alpha=0.3
   

   Python

   local_env_run = mlflow.projects.run(
       uri=".", 
       parameters={"alpha":0.3},
       backend = "azureml",
       env_manager="local",
       backend_config = backend_config, 
   )
   

   çalıştırmalarınızı ve ölçümlerinizi Azure Machine Learning stüdyosu görüntüleyin.

Azure Machine Learning işlerinde MLflow projelerini eğitin

Bu örnek, MLflow projelerini Azure Machine Learning işlemlerinde çalışan bir iş olarak göndermeyi gösterir.

1. Arka uç yapılandırma nesnesini oluşturun, bu örnekte belirteceğiz COMPUTE. Bu parametre, projenizi çalıştırmak için kullanmak istediğiniz uzak işlem kümenizin adına başvurur. Varsa COMPUTE , proje belirtilen işlem için otomatik olarak bir Azure Machine Learning işi olarak gönderilir.

   MLflow CLI

   backend_config.json

   {
       "COMPUTE": "cpu-cluster"
   }
   
   

   Python

   backend_config = {"COMPUTE": "cpu-cluster"}
   

2. azureml-mlflow Çalışma alanınızdaki ölçümleri ve anahtar yapıtları izlemek için paketi ortam yapılandırma dosyanıza pip bağımlılığı olarak ekleyin.

   conda.yaml

   name: mlflow-example
   channels:
     - defaults
   dependencies:
     - numpy>=1.14.3
     - pandas>=1.0.0
     - scikit-learn
     - pip:
       - mlflow
       - azureml-mlflow
   

3. Yerel çalıştırmayı gönderin ve otomatik izleme, modelin yakalaması, günlük dosyaları, anlık görüntüler ve çalışma alanınızdaki yazdırılan hataların desteğini ekleyen parametresini backend = "azureml"ayarladığınızdan emin olun. Bu örnekte, çalıştırmaya çalıştığınız MLflow projesinin şu anda uri="."ile aynı klasörde olduğunu varsayarız.

   MLflow CLI

   mlflow run . --backend azureml --backend-config backend_config.json -P alpha=0.3
   

   Python

   local_env_run = mlflow.projects.run(
       uri=".", 
       parameters={"alpha":0.3},
       backend = "azureml",
       backend_config = backend_config, 
   )
   

   Not

   Azure Machine Learning işleri her zaman ortamlar bağlamında çalıştırıldığından parametresi env_manager yoksayılır.

   çalıştırmalarınızı ve ölçümlerinizi Azure Machine Learning stüdyosu görüntüleyin.

Kaynakları temizleme

Çalışma alanınızda günlüğe kaydedilen ölçümleri ve yapıtları kullanmayı planlamıyorsanız, bunları tek tek silme özelliği şu anda kullanılamıyordur. Bunun yerine, depolama hesabını ve çalışma alanını içeren kaynak grubunu silin; böylece ücret ödemezsiniz:

1. Azure portalının en sol tarafındaki Kaynak gruplarını seçin.

   

2. Listeden oluşturduğunuz kaynak grubunu seçin.

3. Kaynak grubunu sil'i seçin.

4. Kaynak grubu adını girin. Ardından Sil'i seçin.

Örnek not defterleri

Azure Machine Learning not defterleri ile MLflow, bu makalede sunulan kavramları gösterir ve genişletir.

• Yerel işlemde MLflow projesini eğitin
• Uzak işlemde bir MLflow projesi eğitin.

Not

mlflow kullanan örneklerin topluluk odaklı bir deposuna adresinden https://github.com/Azure/azureml-examplesulaşabilirsiniz.

Sonraki adımlar

• MLflow ile Azure Databricks çalıştırmalarını izleme.
• Sorgu & denemeleri ve çalıştırmaları MLflow ile karşılaştırın.
• MLflow ile Azure Machine Learning'de model kayıt defterlerini yönetin.
• MLflow modellerini dağıtma yönergeleri.