Mengakses server pelacakan MLflow dari luar Azure Databricks
Anda mungkin ingin masuk ke server pelacakan MLflow dari aplikasi Anda sendiri atau dari MLflow CLI.
Artikel ini menjelaskan langkah-langkah konfigurasi yang diperlukan. Mulailah dengan menginstal MLflow dan mengonfigurasi kredensial Anda (Langkah 1). Anda kemudian dapat mengonfigurasi aplikasi (Langkah 2) atau mengonfigurasi MLflow CLI (Langkah 3).
Untuk informasi tentang cara meluncurkan dan masuk ke server pelacakan sumber terbuka, lihat dokumentasi sumber terbuka.
Langkah 1: Mengonfigurasi lingkungan Anda
Jika Anda tidak memiliki akun Azure Databricks, Anda dapat mencoba Databricks secara gratis.
Untuk mengonfigurasi lingkungan Anda untuk mengakses server pelacakan MLflow yang dihosting Azure Databricks Anda:
- Instal MLflow menggunakan
pip install mlflow
. - Mengonfigurasi autentikasi. Lakukan salah satu dari:
Buat token REST API dan buat file kredensial menggunakan
databricks configure --token
.Tentukan kredensial melalui variabel lingkungan:
# Configure MLflow to communicate with a Databricks-hosted tracking server export MLFLOW_TRACKING_URI=databricks # Specify the workspace hostname and token export DATABRICKS_HOST="..." export DATABRICKS_TOKEN="..."
Langkah 2: Mengonfigurasi aplikasi MLflow
Konfigurasikan aplikasi MLflow untuk masuk ke Azure Databricks dengan mengatur URI pelacakan ke databricks
, atau databricks://<profileName>
, jika Anda menentukan nama profil melalui --profile
saat membuat file kredensial Anda. Misalnya, Anda dapat mencapai ini dengan mengatur MLFLOW_TRACKING_URI
variabel lingkungan ke "databricks".
Langkah 3: Mengonfigurasi MLflow CLI
Konfigurasikan MLflow CLI untuk berkomunikasi dengan server pelacakan Azure Databricks dengan MLFLOW_TRACKING_URI
variabel lingkungan. Misalnya, untuk membuat eksperimen menggunakan CLI dengan URI databricks
pelacakan , jalankan:
# Replace <your-username> with your Databricks username
export MLFLOW_TRACKING_URI=databricks
mlflow experiments create -n /Users/<your-username>/my-experiment