Configurer MLflow pour le suivi des modèles dans les notebooks

  • 6 minutes

En tant que scientifique des données, vous souhaitez développer un modèle dans un notebook, car cela vous permet de tester et d’exécuter rapidement du code.

Chaque fois que vous effectuez l’apprentissage d’un modèle, les résultats doivent être reproductibles. En suivant et en journalisant votre travail, vous pouvez le passer en revue à tout moment et déterminer la meilleure approche pour effectuer l’apprentissage d’un modèle.

MLflow est une bibliothèque open source permettant de suivre et de gérer vos expériences de Machine Learning. MLflow Tracking en particulier est un composant de MLflow qui consigne toutes les informations concernant le modèle dont vous effectuez l’apprentissage, comme les paramètres, les métriques et les artefacts.

Pour utiliser MLflow dans des notebooks dans l’espace de travail Azure Machine Learning, vous devez installer les bibliothèques nécessaires et définir Azure Machine Learning comme magasin de suivi. Une fois que vous avez configuré MLflow, vous pouvez commencer à l’utiliser lors de l’apprentissage de modèles dans des notebooks.

Configurer MLflow dans les notebooks

Vous pouvez créer et modifier des notebooks dans Azure Machine Learning ou sur un appareil local.

Utiliser les notebooks Azure Machine Learning

Dans l’espace de travail Azure Machine Learning, vous pouvez créer des notebooks et les connecter à une instance de calcul managée Azure Machine Learning.

Quand vous exécutez un notebook sur une instance de calcul, MLflow est déjà configuré et prêt à être utilisé.

Pour vérifier que les packages nécessaires sont installés, vous pouvez exécuter le code suivant :

pip show mlflow
pip show azureml-mlflow

Le package mlflow est la bibliothèque open source. Le package azureml-mlflow contient le code d’intégration d’Azure Machine Learning avec MLflow.

Utiliser MLflow sur un appareil local

Quand vous préférez travailler dans des notebooks sur un appareil local, vous pouvez également utiliser MLflow. Vous devez configurer MLflow en procédant comme suit :

  1. Installer les packages mlflow et azureml-mlflow.

    pip install mlflow
pip install azureml-mlflow

  2. Accédez à Azure Machine Learning studio.

  3. Sélectionnez le nom de l’espace de travail que vous utilisez en haut à droite du studio.

  4. Sélectionnez Voir toutes les propriétés dans le portail Azure. Un nouvel onglet s’ouvre vous permettant d’accéder à Azure Machine Learning service dans le portail Azure.

  5. Copiez la valeur de l’URI MLflow Tracking.

Screenshot of overview page in Azure portal showing the MLflow tracking URI.

  1. Utilisez le code suivant dans votre notebook local pour configurer MLflow pour qu’il pointe vers l’espace de travail Azure Machine Learning et définissez-le sur l’URI MLflow Tracking de l’espace de travail.

    mlflow.set_tracking_uri = "MLFLOW-TRACKING-URI"

Conseil

Découvrez les autres approches pour configurer l’environnement de suivi quand vous utilisez un appareil local. Vous pouvez également utiliser par exemple le kit SDK Azure Machine Learning v2 pour Python, ainsi que le fichier de configuration de l’espace de travail, pour définir l’URI de suivi.

Une fois que vous avez configuré MLflow pour suivre les résultats de votre modèle et le stocker dans votre espace de travail Azure Machine Learning, vous êtes prêt à effectuer des expériences dans un notebook.