追蹤 ML 和深度學習訓練執行

發行項
09/24/2024

MLflow 追蹤元件可讓您記錄來源屬性、參數、計量、標籤，以及與訓練機器學習或深度學習模型相關的成品。若要開始使用 MLflow，請嘗試其中一個 MLflow 快速入門教學課程。

使用實驗和執行追蹤 MLflow

MLflow 追蹤是以兩個概念為基礎：實驗和執行：

注意

從 2024 年 3 月 27 日起，MLflow 會對所有現有和新執行的總參數、標籤和計量步驟數目，以及所有現有和新實驗的總執行次數加上配額限制，請參閱資源限制。如果您達到每個實驗的執行配額，Databricks 建議您使用 Python 中的刪除執行 API 刪除不再需要的執行。如果您達到其他配額限制，Databricks 建議您調整記錄策略以維持在限制之下。如果您需要增加此限制，請聯絡您的 Databricks 帳戶團隊，並簡單解釋您的使用案例、建議的風險降低方法無法奏效的原因，以及您要求的新限制。

MLflow 實驗是 MLflow 執行的組織主要單位和存取控制單位；所有 MLflow 執行都屬於一個實驗。實驗讓您視覺化、搜尋和比較執行，以及下載執行成品和中繼資料，以便在其他工具中分析。
MLflow 執行對應於模型程式碼的單次執行。
使用 MLflow 實驗組織訓練執行
使用 MLflow 執行管理訓練程式碼

MLflow 訓練 API 會記錄模型執行的參數、計量、標籤和成品。追蹤 API 與 MLflow 追蹤伺服器通訊。當您使用 Databricks 時，由 Databricks 託管的追蹤伺服器會記錄資料。託管的 MLflow 追蹤伺服器有 Python、Java 和 R API。

注意

MLflow 安裝在 Databricks Runtime ML 叢集上。若要在 Databricks Runtime 叢集上使用 MLflow，您必須安裝 mlflow 函式庫。如需將函式庫安裝至叢集的指示，請參閱在叢集中安裝函式庫。若要為 MLflow 安裝的特定套件有：

針對 Python，請選取 Library Source PyPI 並在套件欄位中輸入 mlflow。
針對 R，請選取 Library Source CRAN，並在套件欄位中輸入 mlflow。
針對 Scala，請安裝這兩個套件：
- 選取 Library Source Maven，然後在座標欄位輸入 org.mlflow:mlflow-client:1.11.0。
- 選取 Library Source PyPI 並在套件欄位中輸入 mlflow。

記錄 MLflow 執行的位置

所有 MLflow 執行都會記錄到作用中的實驗，可以使用下列任何一種方式設定：

使用 mlflow.set_experiment() 命令。
在 mlflow.start_run() 命令中使用 experiment_id 參數。
設定其中一個 MLflow 環境變數 MLFLOW_EXPERIMENT_NAME 或 MLFLOW_EXPERIMENT_ID。

如果沒有設定作用中的實驗，則執行記錄會記錄到筆記本實驗中。

若要將實驗結果記錄到執行實驗的工作區以外的遠端託管 MLflow 追蹤伺服器，請設定追蹤 URI 以 mlflow.set_tracking_uri() 參照遠端工作區，並透過 mlflow.set_experiment() 設定您在遠端工作區的實驗路徑。

mlflow.set_tracking_uri(<uri-of-remote-workspace>)
mlflow.set_experiment("path to experiment in remote workspace")

如果您在本機執行實驗，並希望將實驗結果記錄到 Databricks MLflow 追蹤伺服器，請提供您的 Databricks 工作區執行個體 (DATABRICKS_HOST) 和 Databricks 個人存取權杖 (DATABRICKS_TOKEN)。接下來，您可以使用 mlflow.set_tracking_uri() 設定追蹤 URI 來參照工作區，並使用 mlflow.set_experiment() 設定實驗的路徑。如需在哪裡找到 DATABRICKS_HOST 和 DATABRICKS_TOKEN 環境變數值的詳細資料，請參閱執行 Azure Databricks 個人存取權杖驗證。

以下程式碼範例展示設定這些值：


os.environ["DATABRICKS_HOST"] = "https://dbc-1234567890123456.cloud.databricks.com" # set to your server URI
os.environ["DATABRICKS_TOKEN"] = "dapixxxxxxxxxxxxx"

mlflow.set_tracking_uri("databricks")
mlflow.set_experiment("/your-experiment")

記錄範例筆記本

本筆記本顯示如何將執行記錄至筆記本實驗和工作區實驗。只有在筆記本中啟動的 MLflow 執行才能記錄到筆記本實驗中。從任何筆記本或 API 啟動的 MLflow 執行，都可以記錄到工作區實驗中。如需檢視記錄執行的資訊，請參閱檢視筆記本實驗和檢視工作區實驗。

記錄 MLflow 執行筆記本

取得筆記本

您可以使用 MLflow Python、Java 或 Scala 以及 R API 來開始執行並記錄執行資料。如需詳細資料，請參閱 MLflow 範例筆記本。

從 Azure Databricks 外部存取 MLflow 追蹤伺服器

您也可以從 Azure Databricks 外部寫入或讀取追蹤伺服器，例如使用 MLflow CLI。請參閱從 Azure Databricks 外部存取 MLflow 追蹤伺服器。

以程式設計方式分析 MLflow 執行

您可以使用下列兩個 DataFrame API，以程式設計方式存取 MLflow 執行資料：

MLflow Python 用戶端 search_runs API 會傳回 Pandas DataFrame。
MLflow 實驗資料來源會傳回 Apache Spark DataFrame。

本範例展示如何使用 MLflow Python 用戶端組建一個儀表板，可將評估計量隨時間的變化、追蹤特定使用者開始執行的次數，以及測量所有使用者的總執行次數均視覺化：

使用 MLflow 搜尋 API 組建儀表板

為什麼模型訓練計量和輸出可能會有所不同

ML 中使用的許多演算法都有隨機元素，例如演算法本身內的取樣或隨機初始條件。當您使用這些演算法之一訓練模型時，即使您以相同的條件開始執行，每次執行的結果也可能不一樣。許多函式庫提供種子機制來修正這些推測元素的初始條件。然而，可能有其他變化來源不受種子控制。有些演算法對資料的順序很敏感，分散式 ML 演算法也可能受到資料分割方式的影響。一般而言，這種變化並不顯著，在模型開發流程中也不重要。

若要控制由於排序和分割的差異所造成的變異，請使用 PySpark 函式再分配和 sortWithinPartitions。

MLflow 追蹤範例

以下筆記本展示如何在 MLflow 中訓練幾種類型的模型和追蹤訓練資料，以及如何在 Delta Lake 中儲存追蹤資料。

共用方式為