你当前正在访问 Microsoft Azure Global Edition 技术文档网站。如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

在 Azure 机器学习中使用 MLflow 项目进行训练（预览版）

项目
09/03/2024

本文介绍如何连同 MLflow 项目一起提交训练作业，MLflow 项目使用 Azure 机器学习工作区进行跟踪。你可以提交作业并仅使用 Azure 机器学习跟踪作业，或者将运行迁移到云，以完全在 Azure 机器学习计算上运行。

警告

对 Azure 机器学习中 MLproject 文件（MLflow 项目）的支持将于 2026 年 9 月完全停用。 MLflow 仍受完全支持，并且仍然是在 Azure 机器学习中跟踪机器学习工作负载的推荐方法。

当继续使用 MLflow 时，我们建议通过使用 Azure CLI 或适用于 Python 的 Azure 机器学习 SDK (v2) 从 MLproject 文件转换为 Azure 机器学习作业。有关 Azure 机器学习作业的详细信息，请参阅使用 MLflow 跟踪 ML 试验和模型。

MLflow 项目允许你组织和描述你的代码，使其他数据科学家（或自动化工具）可以运行它。使用 Azure 机器学习的 MLflow 项目使你可以在工作区中跟踪和管理训练运行。

重要

此功能目前处于公开预览状态。此预览版在提供时没有附带服务级别协议，我们不建议将其用于生产工作负荷。某些功能可能不受支持或者受限。

有关详细信息，请参阅 Microsoft Azure 预览版补充使用条款。

详细了解 MLflow 和 Azure 机器学习集成。

先决条件

如下所示，安装 MLflow SDK mlflow 包和适用于 MLflow 的 Azure 机器学习 azureml-mlflow 插件。
```
pip install mlflow azureml-mlflow
```
提示

可以使用 mlflow-skinny 包，它是一个不带 SQL 存储、服务器、UI 或数据科学依赖项的轻型 MLflow 包。对于主要需要 MLflow 的跟踪和记录功能但不需要导入整个功能套件（包括部署）的用户，建议使用此包。
创建 Azure 机器学习工作区。若要创建工作区，请参阅创建入门所需的资源。查看在工作区中执行 MLflow 操作所需的访问权限。
若要执行远程跟踪，或者跟踪在 Azure 机器学习外部运行的试验，请将 MLflow 配置为指向 Azure 机器学习工作区的跟踪 URI。有关如何将 MLflow 连接到工作区的详细信息，请参阅为 Azure 机器学习配置 MLflow。

将 Azure 机器学习用作 MLflow 项目的后端需要包 azureml-core：
```
pip install azureml-core
```

连接到工作区

如果在 Azure 机器学习外部操作，则需要将 MLflow 配置为指向 Azure 机器学习工作区的跟踪 URI。可以在为 Azure 机器学习配置 MLflow 中找到说明。

在 Azure 机器学习工作区中跟踪 MLflow 项目

此示例演示如何提交 MLflow 项目并使用 Azure 机器学习跟踪这些项目。

将 azureml-mlflow 包作为 pip 依赖项添加到环境配置文件，以便在工作区中跟踪指标和关键项目。

conda.yaml

name: mlflow-example
channels:
  - defaults
dependencies:
  - numpy>=1.14.3
  - pandas>=1.0.0
  - scikit-learn
  - pip:
    - mlflow
    - azureml-mlflow

提交本地运行并确保设置参数 backend = "azureml"，该参数在工作区中添加自动跟踪、模型捕获、日志文件、快照和输出错误的支持。此示例假设你尝试运行的 MLflow 项目位于你当前所在的文件夹 (uri=".") 中。
- MLflow CLI
- Python
```
mlflow run . --experiment-name  --backend azureml --env-manager=local -P alpha=0.3
```
```
local_env_run = mlflow.projects.run(
    uri=".", 
    parameters={"alpha":0.3},
    backend = "azureml",
    env_manager="local",
    backend_config = backend_config, 
)
```
在 Azure 机器学习工作室中查看运行和指标。

在 Azure 机器学习作业中训练 MLflow 项目

此示例演示如何将 MLflow 项目作为在 Azure 机器学习计算上运行的作业提交。

创建后端配置对象，在本例中，我们将指定 COMPUTE。此参数引用你要用于运行项目的远程计算群集的名称。如果 COMPUTE 存在，则项目将自动作为 Azure 机器学习作业提交到指定的计算。
- MLflow CLI
- Python
backend_config.json
```
{
    "COMPUTE": "cpu-cluster"
}
```
```
backend_config = {"COMPUTE": "cpu-cluster"}
```

将 azureml-mlflow 包作为 pip 依赖项添加到环境配置文件，以便在工作区中跟踪指标和关键项目。

conda.yaml

name: mlflow-example
channels:
  - defaults
dependencies:
  - numpy>=1.14.3
  - pandas>=1.0.0
  - scikit-learn
  - pip:
    - mlflow
    - azureml-mlflow

提交本地运行并确保设置参数 backend = "azureml"，该参数在工作区中添加自动跟踪、模型捕获、日志文件、快照和输出错误的支持。此示例假设你尝试运行的 MLflow 项目位于你当前所在的文件夹 (uri=".") 中。
- MLflow CLI
- Python
```
mlflow run . --backend azureml --backend-config backend_config.json -P alpha=0.3
```
```
local_env_run = mlflow.projects.run(
    uri=".", 
    parameters={"alpha":0.3},
    backend = "azureml",
    backend_config = backend_config, 
)
```
注意

由于 Azure 机器学习作业始终在环境的上下文中运行，因此将忽略参数 env_manager。

在 Azure 机器学习工作室中查看运行和指标。

清理资源

如果不打算使用工作区中记录的指标和项目，目前尚未提供单独删除它们的功能。可以改为删除包含存储帐户和工作区的资源组，这样就不会产生任何费用：

在 Azure 门户中，选择最左侧的“资源组”。
从列表中选择已创建的资源组。
选择“删除资源组”。
输入资源组名称。然后选择“删除”。

示例笔记本

将 MLflow 与 Azure 机器学习笔记本配合使用演示了本文中所述的概念，并在这些概念的基础上有所延伸。

注意

可在 https://github.com/Azure/azureml-examples 找到使用 mlflow 的社区主导的示例存储库。

通过