Поделиться через

Пример моделей в каталоге Unity

  • Статья

В этом примере показано, как использовать модели в каталоге Unity для создания приложения машинного обучения, которое прогнозирует ежедневные выходные данные энергии ветряной фермы. В примере показано, как выполнить следующие задачи.

  • Отслеживание и ведение журналов моделей с помощью MLflow.
  • Зарегистрируйте модели в каталоге Unity.
  • Описание моделей и их развертывание для вывода с помощью псевдонимов.
  • Интеграция зарегистрированных моделей с рабочими приложениями.
  • Поиск и обнаружение моделей в каталоге Unity.
  • Удаление моделей.

В статье описывается, как выполнить эти действия с помощью MLflow Tracking and Models in Unity Catalog UIs and API.

Требования

Убедитесь, что выполнены все требования в соответствии с требованиями. Кроме того, в примерах кода в этой статье предполагается, что у вас есть следующие привилегии:

  • USE CATALOG привилегии в каталоге main .
  • CREATE MODEL и USE SCHEMA привилегии схемы main.default .

Записная книжка

Весь код в этой статье представлен в следующей записной книжке.

Модели в примере записной книжки каталога Unity

Получить записную книжку

Установка клиента Python MLflow

В этом примере требуется клиент Python MLflow версии 2.5.0 или более поздней версии и TensorFlow. Добавьте следующие команды в верхней части записной книжки для установки этих зависимостей.

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

Загрузка набора данных, обучение модели и регистрация в каталоге Unity

В этом разделе показано, как загрузить набор данных ветряной фермы, обучить модель и зарегистрировать модель в каталоге Unity. Выполнение обучения модели и метрики отслеживаются в ходе эксперимента.

Загрузка набора данных

Следующий код позволяет загрузить набор данных, содержащий данные о погоде и производстве электроэнергии ветряной электростанцией в США. Набор данных содержит компоненты wind direction,wind speed и air temperature, выборка которых выполняется каждые шесть часов (в 00:00, в 08:00 и в16:00), а также суммарные суточные данные производства электроэнергии (power) за несколько лет.

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"]

Настройка клиента MLflow для доступа к моделям в каталоге Unity

По умолчанию клиент Python MLflow создает модели в реестре моделей рабочей области в Azure Databricks. Чтобы обновить модели в каталоге Unity, настройте клиент для доступа к моделям в каталоге Unity:

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

Обучение и регистрация модели

Следующий код обучает нейронную сеть с помощью TensorFlow Keras для прогнозирования выходных данных на основе погодных возможностей в наборе данных и использует API MLflow для регистрации встроенной модели в каталоге 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)

Просмотр модели в пользовательском интерфейсе

Вы можете просматривать зарегистрированные модели и версии моделей и управлять ими в каталоге Unity с помощью обозревателя каталогов. Найдите модель, которую вы только что создали в каталоге и default схемеmain.

Страница зарегистрированной модели

Развертывание версии модели для вывода

Модели в каталоге Unity поддерживают псевдонимы для развертывания модели. Псевдонимы предоставляют изменяемые именованные ссылки (например, "Чемпион" или "Challenger") для определенной версии зарегистрированной модели. Вы можете ссылаться и на версии целевой модели с помощью этих псевдонимов в рабочих процессах вывода ниже.

Перейдя к зарегистрированной модели в обозревателе каталогов, щелкните в столбце "Псевдонимы ", чтобы назначить псевдоним "Чемпион" последней версии модели и нажмите кнопку "Продолжить", чтобы сохранить изменения.

Задание псевдонима зарегистрированной модели

Загрузка версий модели с помощью API

Компонент моделей MLflow определяет функции для загрузки моделей с нескольких платформ машинного обучения. Например, mlflow.tensorflow.load_model() используется для загрузки моделей TensorFlow, сохраненных в формате MLflow, и mlflow.sklearn.load_model() используется для загрузки моделей scikit-learn, сохраненных в формате MLflow.

Эти функции могут загружать модели из моделей в каталоге 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)

Прогнозирование выходных данных питания с помощью модели чемпиона

В этом разделе модель чемпиона используется для оценки данных прогноза погоды для ветряной фермы. Приложение forecast_power() загружает последнюю версию модели прогнозирования с указанного этапа и использует и п прогнозирует с ее помощью объем произведенной электроэнергии на следующие пять дней.

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")

Добавление описаний модели и версии модели с помощью API

В этом разделе показано, как добавить описания моделей и версий модели с помощью 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."
)

Создание новой версии модели

Классические методы машинного обучения также эффективны для прогнозирования производства электроэнергии. Следующий код обучает модель случайного леса с помощью scikit-learn и регистрирует его в каталоге Unity с помощью mlflow.sklearn.log_model() функции.

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
  )

Получение номера новой версии модели

В следующем коде показано, как получить последний номер версии модели для имени модели.

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])

Добавление описания к сведениям о новой версии модели

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."
)

Пометить новую версию модели как Challenger и протестировать модель

Перед развертыванием модели для обслуживания рабочего трафика рекомендуется протестировать ее в образце рабочих данных. Ранее вы использовали псевдоним "Чемпион" для обозначения версии модели, обслуживающей большинство рабочих нагрузок. Следующий код назначает псевдоним "Challenger" новой версии модели и оценивает его производительность.

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

forecast_power(MODEL_NAME, "Challenger")

Развертывание новой версии модели в качестве версии модели чемпиона

Убедившись, что новая версия модели хорошо работает в тестах, следующий код назначает псевдоним "Чемпион" новой версии модели и использует тот же код приложения из выходных данных прогноза питания с разделом модели чемпиона для создания прогноза прогноза.

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

forecast_power(MODEL_NAME, "Champion")

Теперь существуют две версии модели прогнозирования: версия модели, обученная в модели Keras, и версия, обученная в scikit-learn. Обратите внимание, что псевдоним "Challenger" остается назначенным новой версии модели scikit-learn, поэтому все подчиненные рабочие нагрузки, предназначенные для версии модели Challenger, продолжают работать успешно:

Версии модели продукта

Удаление моделей

Если версия модели больше не используется, ее можно удалить. Вы также можете удалить всю зарегистрированную модель; При этом удаляются все связанные версии модели. Обратите внимание, что удаление версии модели очищает все псевдонимы, назначенные версии модели.

Удаление Version 1 с помощью API MLflow

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

Удаление модели с помощью API MLflow

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