Konfigurace MLflow pro sledování modelů v poznámkových blocích

Dokončeno

Jako datový vědec budete chtít v poznámkovém bloku vyvíjet model, protože umožňuje rychle testovat a spouštět kód.

Kdykoli vytrénujete model, chcete, aby výsledky byly reprodukovatelné. Sledováním a protokolováním své práce můžete kdykoli zkontrolovat svou práci a rozhodnout se, jaký je nejlepší přístup k trénování modelu.

MLflow je opensourcová knihovna pro sledování a správu experimentů strojového učení. Konkrétně MLflow Tracking je komponenta MLflow, která zaznamenává všechno o modelu, který trénujete, jako jsou parametry, metriky a artefakty.

Pokud chcete používat MLflow v poznámkových blocích v pracovním prostoru Azure Machine Učení, budete muset nainstalovat potřebné knihovny a nastavit azure Machine Učení jako úložiště pro sledování. Když jste nakonfigurovali MLflow, můžete začít používat MLflow při trénování modelů v poznámkových blocích.

Konfigurace MLflow v poznámkových blocích

Poznámkové bloky můžete vytvářet a upravovat v rámci služby Azure Machine Učení nebo na místním zařízení.

Použití poznámkových bloků azure machine Učení

V pracovním prostoru Azure Machine Učení můžete vytvářet poznámkové bloky a připojovat poznámkové bloky k Učení spravované výpočetní instanci Azure.

Když spouštíte poznámkový blok na výpočetní instanci, MLflow je už nakonfigurovaný a připravený k použití.

Pokud chcete ověřit, že jsou nainstalované potřebné balíčky, můžete spustit následující kód:

pip show mlflow
pip show azureml-mlflow

Balíček mlflow je opensourcová knihovna. Balíček azureml-mlflow obsahuje kód integrace azure machine Učení s MLflow.

Použití MLflow na místním zařízení

Pokud dáváte přednost práci v poznámkových blocích na místním zařízení, můžete také využít MLflow. MLflow budete muset nakonfigurovat provedením následujících kroků:

1. Nainstalujte balíček a azureml-mlflow nainstalujte homlflow.

   pip install mlflow
   pip install azureml-mlflow
   

2. Přejděte na studio Azure Machine Learning.

3. V pravém horním rohu studia vyberte název pracovního prostoru, na kterém pracujete.

4. Vyberte Zobrazit všechny vlastnosti na webu Azure Portal. Otevře se nová karta, která vás převeze do služby Azure Machine Učení na webu Azure Portal.

5. Zkopírujte hodnotu identifikátoru URI sledování MLflow.

6. Pomocí následujícího kódu v místním poznámkovém bloku nakonfigurujte MLflow tak, aby odkazovali na pracovní prostor Azure Machine Učení a nastavili ho na identifikátor URI pro sledování pracovního prostoru.

   mlflow.set_tracking_uri = "MLFLOW-TRACKING-URI"
   

Tip

Přečtěte si o alternativních přístupech k nastavení sledovacího prostředí při práci na místním zařízení. K nastavení identifikátoru URI sledování můžete použít například sadu Azure Machine Učení SDK v2 pro Python společně s konfiguračním souborem pracovního prostoru.

Když jste nakonfigurovali MLflow tak, aby sledoval výsledky modelu a uložili ho do pracovního prostoru Azure Machine Učení, jste připraveni experimentovat v poznámkovém bloku.