Trénujte s projekty MLflow ve službě Azure Machine Učení (Preview)

Článek
02/21/2024

V tomto článku se dozvíte, jak odesílat trénovací úlohy pomocí projektů MLflow, které ke sledování používají pracovní prostory Azure Machine Učení. Úlohy můžete odesílat a sledovat je jenom pomocí služby Azure Machine Učení nebo migrovat spuštění do cloudu, aby běžela úplně na počítači Azure Učení Compute.

Upozorňující

MLproject Podpora souborů (projektů MLflow) ve službě Azure Machine Učení se v září 2026 plně vyřadí z provozu. MLflow je stále plně podporovaný a stále se doporučuje sledovat úlohy strojového učení ve službě Azure Machine Učení.

Při používání MLflow doporučujeme přejít ze MLproject souborů na úlohy Azure Machine Učení pomocí Azure CLI nebo sady Azure Machine Učení SDK pro Python (v2). Další informace o úlohách Azure Machine Učení najdete v tématu Sledování experimentů a modelů ML pomocí MLflow.

Projekty MLflow umožňují uspořádat a popsat kód, aby ho ostatní datoví vědci (nebo automatizované nástroje) mohli spouštět. Projekty MLflow se službou Azure Machine Učení umožňují sledovat a spravovat trénovací běhy ve vašem pracovním prostoru.

Důležité

Tato funkce je v současné době ve verzi Public Preview. Tato verze Preview je poskytována bez smlouvy o úrovni služeb a nedoporučujeme ji 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.

Přečtěte si další informace o integraci MLflow a Azure Machine Učení.

Požadavky

Nainstalujte balíček mlflow MLflow SDK a modul plug-in Azure Machine Učení pro MLflow azureml-mlflow.
```
pip install mlflow azureml-mlflow
```
Tip

Můžete použít mlflow-skinny balíček, což je jednoduchý balíček MLflow bez závislostí sql Storage, serveru, uživatelského rozhraní nebo datových věd. mlflow-skinny se doporučuje uživatelům, kteří primárně potřebují funkce sledování a protokolování MLflow bez importu celé sady funkcí včetně nasazení.
Pracovní prostor služby Azure Machine Learning. Můžete ho vytvořit podle kurzu Vytvoření prostředků strojového učení.
- Podívejte se, jaká přístupová oprávnění potřebujete k provádění operací MLflow ve vašem pracovním prostoru.
Pokud provádíte vzdálené sledování (tj. sledování experimentů spuštěných mimo azure Machine Učení), nakonfigurujte MLflow tak, aby odkazovali na identifikátor URI sledování vašeho pracovního prostoru azure machine Učení. Další informace o připojení MLflow k pracovnímu prostoru najdete v tématu Konfigurace MLflow pro azure machine Učení.

Použití Učení Azure Machine jako back-endu pro projekty MLflow vyžaduje balíčekazureml-core:
```
pip install azureml-core
```

Připojení k pracovnímu prostoru

Pokud pracujete mimo službu Azure Machine Učení, musíte nakonfigurovat MLflow tak, aby odkazoval na identifikátor URI pro sledování Učení pracovního prostoru Azure Machine. Pokyny najdete v tématu Konfigurace MLflow pro azure machine Učení.

Sledování projektů MLflow v pracovních prostorech Azure Machine Učení

Tento příklad ukazuje, jak odesílat projekty MLflow a sledovat je Učení Azure Machine.

Přidejte balíček jako závislost pip do konfiguračního azureml-mlflow souboru prostředí, abyste mohli sledovat metriky a klíčové artefakty v pracovním prostoru.

conda.yaml
```
name: mlflow-example
channels:
  - defaults
dependencies:
  - numpy>=1.14.3
  - pandas>=1.0.0
  - scikit-learn
  - pip:
    - mlflow
    - azureml-mlflow
```
Odešlete místní spuštění a ujistěte se, že jste nastavili parametr backend = "azureml", který přidává podporu automatického sledování, zachycení modelu, souborů protokolu, snímků a tištěných chyb ve vašem pracovním prostoru. V tomto příkladu předpokládáme, že projekt MLflow, který se pokoušíte spustit, je ve stejné složce, kterou právě používáte. uri="."
- Rozhraní příkazového řádku MLflow
- Python
```
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, 
)
```
Prohlédněte si spuštění a metriky v studio Azure Machine Learning.

Trénujte projekty MLflow v úlohách azure Machine Učení

Tento příklad ukazuje, jak odeslat projekty MLflow jako úlohu spuštěnou na počítači Azure Učení výpočetních prostředků.

Vytvořte objekt konfigurace back-endu, v tomto případě budeme indikovat COMPUTE. Tento parametr odkazuje na název vzdáleného výpočetního clusteru, který chcete použít ke spuštění projektu. Pokud COMPUTE je projekt k dispozici, automaticky se odešle jako úloha azure machine Učení do uvedeného výpočetního prostředí.
- Rozhraní příkazového řádku MLflow
- Python
backend_config.json
```
{
    "COMPUTE": "cpu-cluster"
}
```
```
backend_config = {"COMPUTE": "cpu-cluster"}
```
Přidejte balíček jako závislost pip do konfiguračního azureml-mlflow souboru prostředí, abyste mohli sledovat metriky a klíčové artefakty v pracovním prostoru.

conda.yaml
```
name: mlflow-example
channels:
  - defaults
dependencies:
  - numpy>=1.14.3
  - pandas>=1.0.0
  - scikit-learn
  - pip:
    - mlflow
    - azureml-mlflow
```
Odešlete místní spuštění a ujistěte se, že jste nastavili parametr backend = "azureml", který přidává podporu automatického sledování, zachycení modelu, souborů protokolu, snímků a tištěných chyb ve vašem pracovním prostoru. V tomto příkladu předpokládáme, že projekt MLflow, který se pokoušíte spustit, je ve stejné složce, kterou právě používáte. uri="."
- Rozhraní příkazového řádku MLflow
- Python
```
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, 
)
```
Poznámka:

Vzhledem k tomu, že úlohy azure machine Učení vždy běží v kontextu prostředí, env_manager parametr se ignoruje.

Prohlédněte si spuštění a metriky v studio Azure Machine Learning.

Vyčištění prostředků

Pokud nemáte v úmyslu používat protokolované metriky a artefakty ve vašem pracovním prostoru, možnost je odstranit jednotlivě, momentálně není dostupná. Místo toho odstraňte skupinu prostředků, která obsahuje účet úložiště a pracovní prostor, takže vám nebudou účtovány žádné poplatky:

Úplně nalevo na webu Azure Portal vyberte Skupiny prostředků.
V seznamu vyberte skupinu prostředků, kterou jste vytvořili.
Vyberte Odstranit skupinu prostředků.
Zadejte název skupiny prostředků. Poté vyberte Odstranit.

Příklady poznámkových bloků

Poznámkové bloky MLflow se službou Azure Machine Učení ukazují a rozšiřují koncepty uvedené v tomto článku.

Poznámka:

Komunitní úložiště příkladů využívajících mlflow najdete na adrese https://github.com/Azure/azureml-examples.