Udostępnij za pośrednictwem

Przykład modeli w wykazie aparatu Unity

  • Artykuł

W tym przykładzie pokazano, jak używać modeli w katalogu aparatu Unity do tworzenia aplikacji uczenia maszynowego, która prognozuje dzienne dane wyjściowe zasilania farmy wiatrowej. W przykładzie pokazano, jak:

  • Śledzenie i rejestrowanie modeli za pomocą biblioteki MLflow.
  • Rejestrowanie modeli w wykazie aparatu Unity.
  • Opisywanie modeli i wdrażanie ich na potrzeby wnioskowania przy użyciu aliasów.
  • Integrowanie zarejestrowanych modeli z aplikacjami produkcyjnymi.
  • Wyszukiwanie i odnajdywanie modeli w wykazie aparatu Unity.
  • Usuwanie modeli.

W tym artykule opisano sposób wykonywania tych kroków przy użyciu śledzenia i modeli MLflow w interfejsach użytkownika i interfejsach API wykazu aparatu Unity.

Wymagania

Upewnij się, że spełniasz wszystkie wymagania w temacie Wymagania. Ponadto przykłady kodu w tym artykule zakładają, że masz następujące uprawnienia:

  • USE CATALOG uprawnienia w wykazie main .
  • CREATE MODEL i USE SCHEMA uprawnienia w schemacie main.default .

Notes

Cały kod w tym artykule znajduje się w poniższym notesie.

Przykładowy notes modeli w wykazie aparatu Unity

Pobierz notes

Instalowanie klienta języka Python MLflow

Ten przykład wymaga klienta języka Python MLflow w wersji 2.5.0 lub nowszej oraz biblioteki TensorFlow. Dodaj następujące polecenia w górnej części notesu, aby zainstalować te zależności.

%pip install --upgrade "mlflow-skinny[databricks]>=2.5.0" tensorflow
dbutils.library.restartPython()

Ładowanie zestawu danych, trenowanie modelu i rejestrowanie się w wykazie aparatu Unity

W tej sekcji pokazano, jak załadować zestaw danych farmy wiatrowej, wytrenować model i zarejestrować model w wykazie aparatu Unity. Przebieg trenowania modelu i metryki są śledzone w przebiegu eksperymentu.

Ładowanie zestawu danych

Poniższy kod ładuje zestaw danych zawierający dane pogodowe i dane wyjściowe zasilania dla farmy wiatrowej w Stany Zjednoczone. Zestaw danych zawiera wind directionfunkcje , wind speedi air temperature próbkowane co sześć godzin (raz w 00:00, raz w 08:00, i raz w 16:00), a także dzienne zagregowane dane wyjściowe zasilania () wpower ciągu kilku lat.

import pandas as pd
wind_farm_data = pd.read_csv("https://github.com/dbczumar/model-registry-demo-notebook/raw/master/dataset/windfarm_data.csv", index_col=0)

def get_training_data():
  training_data = pd.DataFrame(wind_farm_data["2014-01-01":"2018-01-01"])
  X = training_data.drop(columns="power")
  y = training_data["power"]
  return X, y

def get_validation_data():
  validation_data = pd.DataFrame(wind_farm_data["2018-01-01":"2019-01-01"])
  X = validation_data.drop(columns="power")
  y = validation_data["power"]
  return X, y

def get_weather_and_forecast():
  format_date = lambda pd_date : pd_date.date().strftime("%Y-%m-%d")
  today = pd.Timestamp('today').normalize()
  week_ago = today - pd.Timedelta(days=5)
  week_later = today + pd.Timedelta(days=5)

  past_power_output = pd.DataFrame(wind_farm_data)[format_date(week_ago):format_date(today)]
  weather_and_forecast = pd.DataFrame(wind_farm_data)[format_date(week_ago):format_date(week_later)]
  if len(weather_and_forecast) < 10:
    past_power_output = pd.DataFrame(wind_farm_data).iloc[-10:-5]
    weather_and_forecast = pd.DataFrame(wind_farm_data).iloc[-10:]

  return weather_and_forecast.drop(columns="power"), past_power_output["power"]

Konfigurowanie klienta MLflow w celu uzyskiwania dostępu do modeli w katalogu aparatu Unity

Domyślnie klient języka Python MLflow tworzy modele w rejestrze modeli obszaru roboczego w usłudze Azure Databricks. Aby przeprowadzić uaktualnienie do modeli w katalogu aparatu Unity, skonfiguruj klienta w celu uzyskiwania dostępu do modeli w katalogu aparatu Unity:

import mlflow
mlflow.set_registry_uri("databricks-uc")

Trenowanie i rejestrowanie modelu

Poniższy kod szkoli sieć neuronową przy użyciu biblioteki TensorFlow Keras w celu przewidywania danych wyjściowych mocy na podstawie funkcji pogodowych w zestawie danych i używa interfejsów API MLflow do rejestrowania dopasowanego modelu w katalogu aparatu Unity.

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

MODEL_NAME = "main.default.wind_forecasting"

def train_and_register_keras_model(X, y):
  with mlflow.start_run():
    model = Sequential()
    model.add(Dense(100, input_shape=(X.shape[-1],), activation="relu", name="hidden_layer"))
    model.add(Dense(1))
    model.compile(loss="mse", optimizer="adam")

    model.fit(X, y, epochs=100, batch_size=64, validation_split=.2)
    example_input = X[:10].to_numpy()
    mlflow.tensorflow.log_model(
        model,
        artifact_path="model",
        input_example=example_input,
        registered_model_name=MODEL_NAME
    )
  return model

X_train, y_train = get_training_data()
model = train_and_register_keras_model(X_train, y_train)

Wyświetlanie modelu w interfejsie użytkownika

Zarejestrowane modele i wersje modeli można wyświetlać i zarządzać nimi w wykazie aparatu Unity przy użyciu Eksploratora wykazu. Poszukaj właśnie utworzonego modelu w main katalogu i default schemacie.

Zarejestrowana strona modelu

Wdrażanie wersji modelu na potrzeby wnioskowania

Modele w wykazie aparatu Unity obsługują aliasy wdrażania modelu. Aliasy zapewniają modyfikowalne, nazwane odwołania (na przykład "Champion" lub "Challenger") do określonej wersji zarejestrowanego modelu. Można odwoływać się do wersji modelu docelowego i używać tych aliasów w przepływach pracy wnioskowania podrzędnego.

Po przejściu do zarejestrowanego modelu w Eksploratorze wykazu kliknij w kolumnie Aliasy , aby przypisać alias "Champion" do najnowszej wersji modelu, a następnie naciśnij przycisk "Kontynuuj", aby zapisać zmiany.

Ustawianie zarejestrowanego aliasu modelu

Ładowanie wersji modelu przy użyciu interfejsu API

Składnik Modele MLflow definiuje funkcje ładowania modeli z kilku platform uczenia maszynowego. Na przykład mlflow.tensorflow.load_model() służy do ładowania modeli TensorFlow zapisanych w formacie MLflow i mlflow.sklearn.load_model() służy do ładowania modeli scikit-learn zapisanych w formacie MLflow.

Te funkcje mogą ładować modele z modeli w katalogu aparatu Unity.

import mlflow.pyfunc

model_version_uri = "models:/{model_name}/1".format(model_name=MODEL_NAME)

print("Loading registered model version from URI: '{model_uri}'".format(model_uri=model_version_uri))
model_version_1 = mlflow.pyfunc.load_model(model_version_uri)

model_champion_uri = "models:/{model_name}@Champion".format(model_name=MODEL_NAME)

print("Loading registered model version from URI: '{model_uri}'".format(model_uri=model_champion_uri))
champion_model = mlflow.pyfunc.load_model(model_champion_uri)

Prognozowanie danych wyjściowych zasilania za pomocą modelu mistrzów

W tej sekcji model mistrzów służy do oceniania danych prognozy pogody dla farmy wiatrowej. Aplikacja forecast_power() ładuje najnowszą wersję modelu prognozowania z określonego etapu i używa jej do prognozowania produkcji energii w ciągu najbliższych pięciu dni.

from mlflow.tracking import MlflowClient

def plot(model_name, model_alias, model_version, power_predictions, past_power_output):
  import matplotlib.dates as mdates
  from matplotlib import pyplot as plt
  index = power_predictions.index
  fig = plt.figure(figsize=(11, 7))
  ax = fig.add_subplot(111)
  ax.set_xlabel("Date", size=20, labelpad=20)
  ax.set_ylabel("Power\noutput\n(MW)", size=20, labelpad=60, rotation=0)
  ax.tick_params(axis='both', which='major', labelsize=17)
  ax.xaxis.set_major_formatter(mdates.DateFormatter('%m/%d'))
  ax.plot(index[:len(past_power_output)], past_power_output, label="True", color="red", alpha=0.5, linewidth=4)
  ax.plot(index, power_predictions.squeeze(), "--", label="Predicted by '%s'\nwith alias '%s' (Version %d)" % (model_name, model_alias, model_version), color="blue", linewidth=3)
  ax.set_ylim(ymin=0, ymax=max(3500, int(max(power_predictions.values) * 1.3)))
  ax.legend(fontsize=14)
  plt.title("Wind farm power output and projections", size=24, pad=20)
  plt.tight_layout()
  display(plt.show())

def forecast_power(model_name, model_alias):
  import pandas as pd
  client = MlflowClient()
  model_version = client.get_model_version_by_alias(model_name, model_alias).version
  model_uri = "models:/{model_name}@{model_alias}".format(model_name=MODEL_NAME, model_alias=model_alias)
  model = mlflow.pyfunc.load_model(model_uri)
  weather_data, past_power_output = get_weather_and_forecast()
  power_predictions = pd.DataFrame(model.predict(weather_data))
  power_predictions.index = pd.to_datetime(weather_data.index)
  print(power_predictions)
  plot(model_name, model_alias, int(model_version), power_predictions, past_power_output)

forecast_power(MODEL_NAME, "Champion")

Dodawanie opisów wersji modelu i modelu przy użyciu interfejsu API

Kod w tej sekcji pokazuje, jak dodać opisy wersji modelu i modelu przy użyciu interfejsu API MLflow.

client = MlflowClient()
client.update_registered_model(
  name=MODEL_NAME,
  description="This model forecasts the power output of a wind farm based on weather data. The weather data consists of three features: wind speed, wind direction, and air temperature."
)

client.update_model_version(
  name=MODEL_NAME,
  version=1,
  description="This model version was built using TensorFlow Keras. It is a feed-forward neural network with one hidden layer."
)

Tworzenie nowej wersji modelu

Klasyczne techniki uczenia maszynowego są również skuteczne w przypadku prognozowania mocy. Poniższy kod szkoli losowy model lasu przy użyciu biblioteki scikit-learn i rejestruje go w katalogu aparatu Unity przy użyciu mlflow.sklearn.log_model() funkcji .

import mlflow.sklearn
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error

with mlflow.start_run():
  n_estimators = 300
  mlflow.log_param("n_estimators", n_estimators)

  rand_forest = RandomForestRegressor(n_estimators=n_estimators)
  rand_forest.fit(X_train, y_train)

  val_x, val_y = get_validation_data()
  mse = mean_squared_error(rand_forest.predict(val_x), val_y)
  print("Validation MSE: %d" % mse)
  mlflow.log_metric("mse", mse)

  example_input = val_x.iloc[[0]]

  # Specify the `registered_model_name` parameter of the `mlflow.sklearn.log_model()`
  # function to register the model to <UC>. This automatically
  # creates a new model version
  mlflow.sklearn.log_model(
    sk_model=rand_forest,
    artifact_path="sklearn-model",
    input_example=example_input,
    registered_model_name=MODEL_NAME
  )

Pobieranie nowego numeru wersji modelu

Poniższy kod pokazuje, jak pobrać najnowszy numer wersji modelu dla nazwy modelu.

client = MlflowClient()
model_version_infos = client.search_model_versions("name = '%s'" % MODEL_NAME)
new_model_version = max([model_version_info.version for model_version_info in model_version_infos])

Dodawanie opisu do nowej wersji modelu

client.update_model_version(
  name=MODEL_NAME,
  version=new_model_version,
  description="This model version is a random forest containing 100 decision trees that was trained in scikit-learn."
)

Oznacz nową wersję modelu jako Challenger i przetestuj model

Przed wdrożeniem modelu w celu obsługi ruchu produkcyjnego najlepszym rozwiązaniem jest przetestowanie go w przykładzie danych produkcyjnych. Wcześniej użyto aliasu "Champion" w celu określenia wersji modelu obsługującej większość obciążeń produkcyjnych. Poniższy kod przypisuje alias "Challenger" do nowej wersji modelu i ocenia jego wydajność.

client.set_registered_model_alias(
  name=MODEL_NAME,
  alias="Challenger",
  version=new_model_version
)

forecast_power(MODEL_NAME, "Challenger")

Wdrażanie nowej wersji modelu jako wersji modelu Champion

Po sprawdzeniu, czy nowa wersja modelu działa dobrze w testach, poniższy kod przypisuje alias "Champion" do nowej wersji modelu i używa dokładnie tego samego kodu aplikacji z prognozy mocy wyjściowej z sekcji model mistrz w celu wygenerowania prognozy zużycia energii.

client.set_registered_model_alias(
  name=MODEL_NAME,
  alias="Champion",
  version=new_model_version
)

forecast_power(MODEL_NAME, "Champion")

Istnieją teraz dwie wersje modelu prognozowania: wersja modelu wytrenowana w modelu Keras i wersja wytrenowana w środowisku scikit-learn. Pamiętaj, że alias "Challenger" pozostaje przypisany do nowej wersji modelu scikit-learn, więc wszystkie obciążenia podrzędne przeznaczone dla wersji modelu "Challenger" będą nadal działać pomyślnie:

Wersje modelu produktu

Usuwanie modeli

Gdy wersja modelu nie jest już używana, możesz ją usunąć. Można również usunąć cały zarejestrowany model; Spowoduje to usunięcie wszystkich skojarzonych wersji modelu. Należy pamiętać, że usunięcie wersji modelu powoduje wyczyszczenie wszystkich aliasów przypisanych do wersji modelu.

Usuwanie Version 1 przy użyciu interfejsu API MLflow

client.delete_model_version(
   name=MODEL_NAME,
   version=1,
)

Usuwanie modelu przy użyciu interfejsu API platformy MLflow

client = MlflowClient()
client.delete_registered_model(name=MODEL_NAME)