MLflow configureren voor modeltracking in notebooks

Voltooid

Als data scientist wilt u een model ontwikkelen in een notebook, omdat u hiermee snel code kunt testen en uitvoeren.

Wanneer u een model traint, wilt u dat de resultaten kunnen worden gereproduceerd. Door uw werk bij te houden en te registreren, kunt u uw werk op elk gewenst moment bekijken en bepalen wat de beste methode is om een model te trainen.

MLflow is een opensource-bibliotheek voor het bijhouden en beheren van uw machine learning-experimenten. MLflow Tracking is met name een onderdeel van MLflow dat alles registreert over het model dat u traint, zoals parameters, metrische gegevens en artefacten.

Als u MLflow wilt gebruiken in notebooks in de Azure Machine Learning-werkruimte, moet u de benodigde bibliotheken installeren en Azure Machine Learning instellen als het traceringsarchief. Wanneer u MLflow hebt geconfigureerd, kunt u MLflow gaan gebruiken bij het trainen van modellen in notebooks.

MLflow configureren in notebooks

U kunt notebooks maken en bewerken in Azure Machine Learning of op een lokaal apparaat.

Azure Machine Learning-notebooks gebruiken

In de Azure Machine Learning-werkruimte kunt u notebooks maken en de notebooks verbinden met een door Azure Machine Learning beheerd rekenproces.

Wanneer u een notebook uitvoert op een rekenproces, is MLflow al geconfigureerd en klaar om te worden gebruikt.

Als u wilt controleren of de benodigde pakketten zijn geïnstalleerd, kunt u de volgende code uitvoeren:

pip show mlflow
pip show azureml-mlflow

Het mlflow pakket is de opensource-bibliotheek. Het azureml-mlflow pakket bevat de integratiecode van Azure Machine Learning met MLflow.

MLflow gebruiken op een lokaal apparaat

Wanneer u liever werkt in notebooks op een lokaal apparaat, kunt u ook gebruikmaken van MLflow. U moet MLflow configureren door de volgende stappen uit te voeren:

1. Installeer het mlflow en azureml-mlflow pakket.

   pip install mlflow
   pip install azureml-mlflow
   

2. Navigeer naar de Azure Machine Learning-studio.

3. Selecteer de naam van de werkruimte waaraan u werkt in de rechterbovenhoek van de studio.

4. Selecteer Alle eigenschappen weergeven in Azure Portal. Er wordt een nieuw tabblad geopend om u naar de Azure Machine Learning-service in Azure Portal te brengen.

5. Kopieer de waarde van de MLflow-tracerings-URI.

6. Gebruik de volgende code in uw lokale notebook om MLflow te configureren om naar de Azure Machine Learning-werkruimte te verwijzen en deze in te stellen op de URI voor het bijhouden van werkruimten.

   mlflow.set_tracking_uri = "MLFLOW-TRACKING-URI"
   

Tip

Meer informatie over alternatieve methoden voor het instellen van de traceringsomgeving bij het werken op een lokaal apparaat. U kunt bijvoorbeeld ook de Azure Machine Learning SDK v2 voor Python gebruiken, samen met het configuratiebestand voor de werkruimte, om de tracerings-URI in te stellen.

Wanneer u MLflow hebt geconfigureerd om de resultaten van uw model bij te houden en op te slaan in uw Azure Machine Learning-werkruimte, kunt u experimenteren in een notebook.