Delen via

Toegang tot de MLflow-traceringsserver van buiten Azure Databricks

  • Artikel

U kunt zich aanmelden bij de MLflow-traceringsserver vanuit uw eigen toepassingen of vanuit de MLflow CLI.

In dit artikel worden de vereiste configuratiestappen beschreven. Begin met het installeren van MLflow en het configureren van uw referenties (stap 1). Vervolgens kunt u een toepassing (stap 2) configureren of de MLflow CLI (stap 3) configureren.

Zie de opensource-documentatie van MLflow voor informatie over het starten en aanmelden bij een opensource-traceringsserver.

Stap 1: Uw omgeving configureren

Als u geen Azure Databricks-account hebt, kunt u Databricks gratis proberen.

Ga als volgt te werk om uw omgeving te configureren voor toegang tot uw door Azure Databricks gehoste MLflow-traceringsserver:

  1. Installeer MLflow met behulp van pip install mlflow.
  2. Verificatie configureren. Ga op een van de volgende handelingen uit:

    • Genereer een REST API-token en maak een referentiebestand met behulp van databricks configure --token.

    • Geef referenties op via omgevingsvariabelen:

      # 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="..."

Stap 2: MLflow-toepassingen configureren

Configureer MLflow-toepassingen om u aan te melden bij Azure Databricks door de tracerings-URI- in te stellen op databricksof databricks://<profileName>, als u een profielnaam hebt opgegeven via --profile tijdens het maken van uw referentiebestand. U kunt dit bijvoorbeeld bereiken door de MLFLOW_TRACKING_URI omgevingsvariabele in te stellen op 'databricks'.

Stap 3: De MLflow CLI configureren

Configureer de MLflow CLI om te communiceren met een Azure Databricks-traceringsserver met de MLFLOW_TRACKING_URI omgevingsvariabele. Als u bijvoorbeeld een experiment wilt maken met behulp van de CLI met de tracerings-URI databricks, voert u het volgende uit:

# Replace <your-username> with your Databricks username
export MLFLOW_TRACKING_URI=databricks
mlflow experiments create -n /Users/<your-username>/my-experiment