Betanítása MLflow-projektekkel az Azure Machine Tanulás -ban (előzetes verzió)

Cikk
02/21/2024

Ebből a cikkből megtudhatja, hogyan küldhet be betanítási feladatokat az Azure Machine Tanulás-munkaterületeket használó MLflow-projektekkel a nyomon követéshez. Feladatokat küldhet be, és csak az Azure Machine-Tanulás követheti nyomon őket, vagy migrálhatja a futtatásokat a felhőbe, hogy teljes mértékben az Azure Machine Tanulás Compute-n fusson.

Figyelmeztetés

Az Azure Machine Tanulás fájltámogatása MLproject (MLflow-projektek) 2026 szeptemberében megszűnik. Az MLflow továbbra is teljes mértékben támogatott, és továbbra is ajánlott az Azure Machine Tanulás gépi tanulási számítási feladatainak nyomon követésére.

Az MLflow használata során javasoljuk, hogy az Azure CLI vagy az Azure Machine Tanulás SDK for Python (v2) használatával váltson át a fájlokról MLproject az Azure Machine Tanulás-feladatokra. Az Azure Machine Tanulás-feladatokról további információt az ML-kísérletek és modellek nyomon követése az MLflow használatával című témakörben talál.

Az MLflow-projektek lehetővé teszik a kód rendszerezését és leírását, hogy más adattudósok (vagy automatizált eszközök) futtatják azt. Az Azure Machine-Tanulás MLflow-projektek lehetővé teszik a munkaterületen futó betanítási futtatások nyomon követését és kezelését.

Fontos

Ez a funkció jelenleg nyilvános előzetes verzióban érhető el. Ez az előzetes verzió szolgáltatásszintű szerződés nélkül érhető el, és éles számítási feladatokhoz nem javasoljuk. Előfordulhat, hogy néhány funkció nem támogatott, vagy korlátozott képességekkel rendelkezik.

További információ: Kiegészítő használati feltételek a Microsoft Azure előzetes verziójú termékeihez.

További információ az MLflow és az Azure Machine Tanulás integrációjáról.

Előfeltételek

Telepítse az MLflow SDK-csomagot mlflow és az Azure Machine Tanulás beépülő modult az MLflow-hozazureml-mlflow.
```
pip install mlflow azureml-mlflow
```
Tipp.

Használhatja a mlflow-skinny csomagot, amely egy egyszerű MLflow-csomag SQL Storage, kiszolgáló, felhasználói felület vagy adatelemzési függőségek nélkül. mlflow-skinny Azoknak a felhasználóknak ajánlott, akiknek elsősorban az MLflow nyomkövetési és naplózási képességeire van szükségük anélkül, hogy importálni kellene a teljes szolgáltatáscsomagot, beleértve az üzembe helyezéseket is.
Egy Azure Machine Learning-munkaterület. Létrehozhat egyet a Gépi tanulási erőforrások létrehozása oktatóanyagot követve.
- Megtekintheti, hogy milyen hozzáférési engedélyekre van szüksége az MLflow-műveletek munkaterületen való végrehajtásához.
Ha távoli nyomkövetést végez (vagyis az Azure Machine Tanulás kívül futó nyomkövetési kísérleteket), az MLflow konfigurálása az Azure Machine Tanulás-munkaterület nyomon követésére mutató URI-jára mutat. További információ az MLflow munkaterülethez való csatlakoztatásáról: MLflow konfigurálása az Azure Machine Tanulás.

Az Azure Machine Tanulás MLflow-projektek háttérrendszerként való használatához a csomag azureml-coreszükséges:
```
pip install azureml-core
```

Csatlakozás a munkaterülethez

Ha az Azure Machine Tanulás kívül dolgozik, úgy kell konfigurálnia az MLflow-t, hogy az az Azure Machine Tanulás-munkaterület nyomkövetési URI-jára mutasson. Az MLflow Azure Machine-Tanulás konfigurálását ismertető témakörben talál útmutatást.

MLflow-projektek nyomon követése az Azure Machine Tanulás-munkaterületeken

Ez a példa bemutatja, hogyan küldhet be MLflow-projekteket, és hogyan követheti nyomon őket az Azure Machine Tanulás.

Adja hozzá a azureml-mlflow csomagot pipfüggőségként a környezeti konfigurációs fájlhoz a munkaterület metrikáinak és kulcsösszetevőinek nyomon követéséhez.

conda.yaml
```
name: mlflow-example
channels:
  - defaults
dependencies:
  - numpy>=1.14.3
  - pandas>=1.0.0
  - scikit-learn
  - pip:
    - mlflow
    - azureml-mlflow
```
Küldje el a helyi futtatásokat, és győződjön meg arról, hogy beállítja a paramétert backend = "azureml", amely támogatja az automatikus nyomkövetést, a modell rögzítését, a naplófájlokat, a pillanatképeket és a nyomtatott hibákat a munkaterületen. Ebben a példában feltételezzük, hogy a futtatni kívánt MLflow-projekt ugyanabban a mappában van, amelyben jelenleg van. uri="."
- MLflow parancssori felület
- 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, 
)
```
A futtatások és metrikák megtekintése az Azure Machine Tanulás studióban.

MLflow-projektek betanítása az Azure Machine Tanulás-feladatokban

Ez a példa bemutatja, hogyan küldhet be MLflow-projekteket az Azure Machine Tanulás compute-on futó feladatként.

Hozza létre a háttérkonfigurációs objektumot, ebben az esetben jelezzük COMPUTE. Ez a paraméter a projekt futtatásához használni kívánt távoli számítási fürt nevére hivatkozik. Ha COMPUTE jelen van, a projekt automatikusan Azure Machine-Tanulás feladatként lesz elküldve a megadott számításhoz.
- MLflow parancssori felület
- Python
backend_config.json
```
{
    "COMPUTE": "cpu-cluster"
}
```
```
backend_config = {"COMPUTE": "cpu-cluster"}
```
Adja hozzá a azureml-mlflow csomagot pipfüggőségként a környezeti konfigurációs fájlhoz a munkaterület metrikáinak és kulcsösszetevőinek nyomon követéséhez.

conda.yaml
```
name: mlflow-example
channels:
  - defaults
dependencies:
  - numpy>=1.14.3
  - pandas>=1.0.0
  - scikit-learn
  - pip:
    - mlflow
    - azureml-mlflow
```
Küldje el a helyi futtatásokat, és győződjön meg arról, hogy beállítja a paramétert backend = "azureml", amely támogatja az automatikus nyomkövetést, a modell rögzítését, a naplófájlokat, a pillanatképeket és a nyomtatott hibákat a munkaterületen. Ebben a példában feltételezzük, hogy a futtatni kívánt MLflow-projekt ugyanabban a mappában van, amelyben jelenleg van. uri="."
- MLflow parancssori felület
- 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, 
)
```
Feljegyzés

Mivel az Azure Machine Tanulás feladatok mindig a környezetek környezetében futnak, a paraméter env_manager figyelmen kívül lesz hagyva.

A futtatások és metrikák megtekintése az Azure Machine Tanulás studióban.

Az erőforrások eltávolítása

Ha nem tervezi a naplózott metrikák és összetevők használatát a munkaterületen, az egyesével történő törlésük jelenleg nem érhető el. Ehelyett törölje a tárfiókot és a munkaterületet tartalmazó erőforráscsoportot, így nem kell fizetnie:

Az Azure Portalon válassza az Erőforráscsoportok lehetőséget a bal szélen.
Válassza ki a listában az Ön által létrehozott erőforráscsoportot.
Válassza az Erőforráscsoport törlése elemet.
Adja meg az erőforráscsoport nevét. Ezután válassza a Törlés elemet.

Példajegyzetfüzetek

Az Azure Machine Tanulás-jegyzetfüzetekkel rendelkező MLflow bemutatja és kibővíti a cikkben ismertetett fogalmakat.

Feljegyzés

A mlflow-t használó példák közösségvezérelt adattára a következő helyen https://github.com/Azure/azureml-examplestalálható: .

Következő lépések

Azure Databricks-futtatások nyomon követése az MLflow használatával.
Lekérdezés > kísérletek és futtatások összehasonlítása az MLflow-tal.
Modellregisztrációs adatbázisok kezelése az Azure Machine Tanulás MLflow használatával.
Útmutató az MLflow-modellek üzembe helyezéséhez.

Share via