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 bunları yalnızca Azure Machine Learning ile izleyebilir veya çalıştırmalarınızı tamamen Azure Machine Learning Compute'da çalıştırılacak şekilde buluta geçirebilirsiniz.

Uyarı

Azure Machine Learning'deki dosyalar (MLproject) desteği 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 , diğer veri bilimcilerinin (veya otomatik araçların) kodu çalıştırabilmesi için kodunuzu 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 mlflow paketini ve MLflow için Azure Machine Learning azureml-mlflow 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 . Bu paketi öncelikle MLflow izleme ve günlüğe kaydetme özelliklerine ihtiyacı olan ancak dağıtımlar dahil olmak üzere tam özellik paketine ihtiyaç duymayan kullanıcılar için öneririz.
Azure Machine Learning çalışma alanı oluşturun. Çalışma alanı oluşturmak için Başlamak için ihtiyacınız olan kaynakları oluşturma makalesine bakın. Çalışma alanınızda MLflow işlemleri gerçekleştirmek için ihtiyacınız olan erişim izinlerini gözden geçirin.
Uzaktan izleme yapmak veya Azure Machine Learning dışında çalışan denemeleri izlemek için 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'i MLflow projelerinin arka ucu olarak kullanmak için paketine azureml-coreihtiyacınız vardır.
```
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. Daha fazla bilgi için bkz. Azure Machine Learning için MLflow yapılandırma.

Azure Machine Learning çalışma alanlarında MLflow projelerini izleme

Bu örnekte, Azure Machine Learning'de MLflow projelerini gönderme ve izleme adımları gösterilmektedir.

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
```
Yerel çalıştırmayı gönderin ve parametresini backend = "azureml"ayarlayın. Bu parametre çalışma alanınızda otomatik izleme, model yakalama, günlük dosyaları, anlık görüntüler ve yazdırılan hatalar için destek ekler. Bu örnekte, çalıştırmak istediğiniz MLflow projesi geçerli klasöründedir uri=".".
- MLflow CLI
- Piton
```
mlflow run . --experiment-name  --backend azureml --env-manager=local -P alpha=0.3
```
```
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 Studio'da görüntüleyin.

Azure Machine Learning işlerinde MLflow projelerini eğitin

Bu örnek, MLflow projelerini Azure Machine Learning hesaplamasında çalışan bir görev olarak sunmayı gösterir.

Arka uç yapılandırma nesnesini oluşturun. Bu örnekte arka uç yapılandırmasını olarak COMPUTEayarlayın. Bu parametre, projenizi çalıştırmak için kullanmak istediğiniz uzak işlem kümenizin adına başvurur. eklerseniz COMPUTE, proje belirtilen işlem için otomatik olarak bir Azure Machine Learning işi olarak gönderilir.
- MLflow CLI
- Piton
backend_config.json
```
{
    "COMPUTE": "cpu-cluster"
}
```
```
backend_config = {"COMPUTE": "cpu-cluster"}
```
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
```
Yerel çalıştırmayı gönderin ve parametresini backend = "azureml"ayarlayın. Bu parametre çalışma alanınızda otomatik izleme, model yakalama, günlük dosyaları, anlık görüntüler ve yazdırılan hatalar için destek ekler. Bu örnekte, çalıştırmak istediğiniz MLflow projesi geçerli klasöründedir uri=".".
- MLflow CLI
- Piton
```
mlflow run . --backend azureml --backend-config backend_config.json -P alpha=0.3
```
```
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 Studio'da görüntüleyin.

Kaynakları temizleme

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

Azure portalının en sol tarafındaki Kaynak gruplarını seçin.
Listeden oluşturduğunuz kaynak grubunu seçin.
Kaynak grubunu sil'i seçin.
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.

Not

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

Sonraki adımlar

MLflow ile Azure Databricks çalıştırmalarını izleme.
Deneyleri ve çalıştırmaları MLflow ile sorgulayın ve karşılaştırın.
MLflow ile Azure Machine Learning'de model kayıt defterlerini yönetin.
MLflow modellerini dağıtma yönergeleri.

Geri Bildirim

Bu sayfayı yararlı buldunuz mu?

Last updated on 2025-11-20