カスタム ML モデルを MLflow 形式のモデルに変換する
この記事では、カスタム ML モデルを MLflow 形式に変換する方法について説明します。 MLflow は、機械学習の実験のライフサイクルを管理するためのオープンソース ライブラリです。 場合によっては、組み込みの MLflow モデル フレーバーのサポートなしで機械学習フレームワークを使用することがあります。 この組み込みの MLflow モデル フレーバーがない場合、モデルをログに記録することや、MLflow モデル fluent API に登録することができません。 これを解決するために、モデルを MLflow 形式に変換できます。この形式では、Azure Machine Learning と MLflow モデルの次の利点を活用できます。
Azure Machine Learning では、MLflow モデルで次のような追加の利点を得ることができます。
- コードなしのデプロイ
- オープン ソース標準形式としての移植性
- ローカルとクラウドの両方にデプロイ可能
MLflow では、さまざまな機会学習フレームワーク (scikit-learn、Keras、Pytorch など) がサポートされていますが、すべてのユース ケースに対応できるわけではありません。 たとえば、MLflow でネイティブにサポートされていないフレームワークを使用して MLflow モデルを作成したい場合や、ジョブの実行時にモデルで前処理または後処理を行う方法を変更したい場合があります。 MLflow モデルの詳細については、「MLflow での成果物からモデルまで」を参照してください。
MLFlow を使用してモデルをトレーニングしておらず、Azure Machine Learning の MLflow のコードなしのデプロイ オファリングを使用したい場合は、カスタム モデルを MLFLow に変換する必要があります。 カスタム Python モデルと MLflow について詳細を確認してください。
前提条件
カスタム モデルを MLflow 形式に変換するには、インストールされている mlflow パッケージのみが必要です。
モデルの Python ラッパーを作成する
モデルを MLflow でサポートされている形式に変換するには、最初にモデルの Python ラッパーを作成する必要があります。
次のコードは、sklearn
モデルの Python ラッパーを作成する方法を示しています。
# Load training and test datasets
from sys import version_info
import sklearn
import mlflow.pyfunc
PYTHON_VERSION = "{major}.{minor}.{micro}".format(major=version_info.major,
minor=version_info.minor,
micro=version_info.micro)
# Train and save an SKLearn model
sklearn_model_path = "model.pkl"
artifacts = {
"sklearn_model": sklearn_model_path
}
# create wrapper
class SKLearnWrapper(mlflow.pyfunc.PythonModel):
def load_context(self, context):
import pickle
self.sklearn_model = pickle.load(open(context.artifacts["sklearn_model"], 'rb'))
def predict(self, model, data):
return self.sklearn_model.predict(data)
Conda 環境を作成する
次に、必要なすべての依存関係を含む新しい MLflow モデルの Conda 環境を作成する必要があります。 この環境が指定されていない場合、現在のインストールから推論されます。 指定されていない場合は指定できます。
import cloudpickle
conda_env = {
'channels': ['defaults'],
'dependencies': [
'python={}'.format(PYTHON_VERSION),
'pip',
{
'pip': [
'mlflow',
'scikit-learn=={}'.format(sklearn.__version__),
'cloudpickle=={}'.format(cloudpickle.__version__),
],
},
],
'name': 'sklearn_env'
}
MLFlow 形式のモデルを読み込み、予測をテストする
環境の準備ができたら、SKlearnWrapper、Conda 環境、新しく作成した成果物ディクショナリを mlflow.pyfunc.save_model() メソッドに渡すことができます。 これを行うと、モデルがディスクに保存されます。
mlflow_pyfunc_model_path = "sklearn_mlflow_pyfunc_custom"
mlflow.pyfunc.save_model(path=mlflow_pyfunc_model_path, python_model=SKLearnWrapper(), conda_env=conda_env, artifacts=artifacts)
新しく保存した MLflow 形式のモデルが保存中に変更されていないか確認するために、モデルを読み込み、テスト予測を出力して元のモデルを比較できます。
次のコードでは、mlflow 形式のモデルからのテスト予測と、比較のためにディスクに保存されている sklearn モデルからのテスト予測が出力されます。
loaded_model = mlflow.pyfunc.load_model(mlflow_pyfunc_model_path)
input_data = "<insert test data>"
# Evaluate the model
import pandas as pd
test_predictions = loaded_model.predict(input_data)
print(test_predictions)
# load the model from disk
import pickle
loaded_model = pickle.load(open(sklearn_model_path, 'rb'))
result = loaded_model.predict(input_data)
print(result)
MLflow 形式のモデルを登録する
モデルが正しく保存されていることを確認したら、テスト実行を作成して、MLflow 形式のモデルをモデル レジストリに登録して保存できます。
mlflow.start_run()
mlflow.pyfunc.log_model(artifact_path=mlflow_pyfunc_model_path,
loader_module=None,
data_path=None,
code_path=None,
python_model=SKLearnWrapper(),
registered_model_name="Custom_mlflow_model",
conda_env=conda_env,
artifacts=artifacts)
mlflow.end_run()
重要
場合によっては、組み込みの MLflow モデル フレーバーのサポートなしで機械学習フレームワークを使用することがあります。 たとえば、vaderSentiment
ライブラリは、感情分析に使用される標準の自然言語処理 (NLP) ライブラリです。 これには、組み込みの MLflow モデル フレーバーがないため、モデルをログに記録することや、MLflow モデル fluent API に登録することができません。 サポートされている組み込みの MLflow モデル フレーバーがないモデルを保存、ログ記録、登録する方法に関するページの例を参照してください。