共用方式為

選擇 MLflow 資料的儲存位置

MLflow 追蹤伺服器會儲存和管理您的實驗資料、執行和模型。 設定您的追蹤伺服器，以控制 MLflow 資料的儲存位置，以及如何跨不同環境存取實驗。

Databricks 裝載的追蹤伺服器

根據預設，Databricks 會提供受控 MLflow 追蹤伺服器，以：

  • 無需額外的設置或配置
  • 將實驗資料儲存在工作區中
  • 與 Databricks 筆記本和集群無縫集成

設定作用中的實驗

根據預設，所有 MLflow 執行都會使用作用中的實驗記錄到工作區的追蹤伺服器。 如果未明確設定實驗，則會將執行記錄到 筆記本實驗。

設定作用中實驗，以控制在 Databricks 中記錄執行的位置：

Mlflow.set_experiment（）

為執行中的所有後續執行設定實驗。

import mlflow

mlflow.set_experiment("/Shared/my-experiment")

Mlflow.start_run（）

設定特定執行的實驗。

with mlflow.start_run(experiment_id="12345"):
    mlflow.log_param("learning_rate", 0.01)

環境變數

為環境中的所有執行設定實驗。

import os
os.environ["MLFLOW_EXPERIMENT_NAME"] = "/Shared/my-experiment"
# or
os.environ["MLFLOW_EXPERIMENT_ID"] = "12345"

設定遠端 MLflow 追蹤伺服器的追蹤

您可能需要設定遠端 MLflow 追蹤伺服器的連線。 這可能是因為您正在本機開發，並想要針對 Databricks 裝載的伺服器進行追蹤，或您想要追蹤至不同的 MLflow 追蹤伺服器。 例如，位於不同工作區的一個。

遠端追蹤的常見場景：

Scenario 用例
跨工作區追蹤 跨多個工作區的集中式實驗追蹤
本機開發 在本機開發，但在 Databricks 中追蹤實驗
遠端自託管 具有特定合規性需求的自訂 MLflow 基礎結構

設定追蹤 URI 和實驗

若要將實驗記錄到遠端追蹤伺服器，請設定追蹤 URI 和實驗路徑：

import mlflow

# Set the tracking URI to the remote server
mlflow.set_tracking_uri("databricks://remote-workspace-url")

# Set the experiment path in the remote server
mlflow.set_experiment("/Shared/centralized-experiments/my-project")

# All subsequent runs will be logged to the remote server
with mlflow.start_run():
    mlflow.log_param("model_type", "random_forest")
    mlflow.log_metric("accuracy", 0.95)

身份驗證方法

遠端追蹤伺服器連線需要適當的身份驗證。 使用服務主體在個人存取權杖 （PAT） 或 OAuth 之間進行選擇。

PAT

使用 PAT 進行簡單的權杖型驗證。

優點： 設定簡單，有利於開發

缺點： 使用者特定，需要手動權杖管理

import os

# Set authentication token
os.environ["DATABRICKS_TOKEN"] = "your-personal-access-token"

# Configure remote tracking
mlflow.set_tracking_uri("databricks://remote-workspace-url")
mlflow.set_experiment("/Shared/remote-experiment")

OAuth （服務主體）

將 OAuth 與服務主體認證搭配使用，以取得自動化工作流程。

優點： 更適合自動化、集中式身分管理

缺點： 需要服務主體設定和 OAuth 設定

建立服務主體。 請參閱 管理服務主體。

import os

# Set service principal credentials
os.environ["DATABRICKS_CLIENT_ID"] = "your-service-principal-client-id"
os.environ["DATABRICKS_CLIENT_SECRET"] = "your-service-principal-secret"

# Configure remote tracking
mlflow.set_tracking_uri("databricks://remote-workspace-url")
mlflow.set_experiment("/Shared/remote-experiment")
  • Last updated on