MLflow a Azure Machine Learning

PLATÍ PRO:Rozšíření Azure CLI ml v2 (aktuální)Python SDK azure-ai-ml verze 2 (Preview)

Azure Machine Learning pro experimenty používá sledování MLflow pouze pro protokolování metrik a úložiště artefaktů, ať už jste experiment vytvořili prostřednictvím sady Azure Machine Learning Python SDK, Azure Machine Learning CLI nebo rozhraní příkazového řádku studio Azure Machine Learning.

Poznámka

Na rozdíl od sady Azure Machine Learning SDK verze 1 není v sadě SDK verze 2 (Preview) žádná funkce protokolování a doporučuje se použít MLflow pro protokolování a sledování.

MLflow je opensourcová knihovna pro správu životního cyklu experimentů strojového učení. Rozhraní API pro sledování MLflow, které se souhrnně označuje jako sledování MLflow, je komponenta MLflow, která protokoluje a sleduje metriky a artefakty trénování spuštění a artefaktů modelu, bez ohledu na prostředí experimentu místně na vašem počítači, na vzdáleném výpočetním cíli, virtuálním počítači nebo Azure Machine Learning výpočetní instanci.

Sledování experimentů

Pomocí nástroje MLflow Tracking se můžete připojit Azure Machine Learning jako back-end experimentů MLflow. Uděláte to tak, že budete moct

Nasazení experimentů MLflow

Modely MLflow můžete nasadit do online koncového bodu, takže můžete využít a použít možnosti správy modelů Azure Machine Learning a nabídku nasazení bez kódu.

Trénovat projekty MLflow (Preview)

Důležité

Tato funkce je aktuálně ve verzi Public Preview. Tato verze Preview se poskytuje bez smlouvy o úrovni služeb a nedoporučuje se pro produkční úlohy. Některé funkce se nemusí podporovat nebo mohou mít omezené možnosti. Další informace najdete v dodatečných podmínkách použití pro verze Preview v Microsoft Azure.

K odesílání trénovacích úloh s projekty MLflow a Azure Machine Learning back-endové podpory (Preview) můžete použít rozhraní API pro sledování sledování MLflow. Úlohy můžete odesílat místně pomocí sledování Azure Machine Learning nebo migrovat spuštění do cloudu, jako je Azure Machine Learning Compute.

Další informace najdete v článku Trénování modelů ML s projekty MLflow a Azure Machine Learning (Preview).

Další kroky