ノートブックでモデル追跡用に MLflow を構成する

  • 6 分

データ サイエンティストであるあなたは、コードを素早くテストして実行できるため、ノートブックでモデルを開発しようと考えています。

モデルをトレーニングするたびに、結果を再現できるようにする必要があります。 作業を追跡してログすることで、いつでも作業内容を確認し、モデルをトレーニングするための最善の方法を決定できます。

MLflow は、機械学習の実験を追跡して管理するためのオープンソース ライブラリです。 具体的には、MLflow Tracking は MLflow のコンポーネントであり、パラメーター、メトリック、成果物など、トレーニングしているモデルに関するすべての情報がログされます。

Azure Machine Learning ワークスペースのノートブックで MLflow を使うには、必要なライブラリをインストールし、Azure Machine Learning を追跡ストアとして設定する必要があります。 MLflow を構成したら、ノートブックでモデルをトレーニングするときに MLflow を使い始めることができます。

ノートブックで MLflow を構成する

Azure Machine Learning 内またはローカル デバイスでノートブックを作成および編集できます。

Azure Machine Learning のノートブックを使用する

Azure Machine Learning ワークスペース内で、ノートブックを作成して、Azure Machine Learning で管理されたコンピューティング インスタンスに接続できます。

コンピューティング インスタンスでノートブックを実行している場合、MLflow は既に構成され、使用できる状態になっています。

必要なパッケージがインストールされていることを確認するには、次のコードを実行します。

pip show mlflow
pip show azureml-mlflow

mlflow パッケージはオープンソース ライブラリです。 azureml-mlflow パッケージには、Azure Machine Learning と MLflow の統合コードが含まれています。

ローカル デバイスで MLflow を使用する

ローカル デバイス上のノートブックで作業する場合でも、MLflow を使用できます。 次の手順のようにして、MLflow を構成する必要があります。

  1. mlflow と azureml-mlflow パッケージをインストールします。

    pip install mlflow
pip install azureml-mlflow

  2. Azure Machine Learning スタジオに移動します。

  3. スタジオの右上隅で、作業するワークスペースの名前を選びます。

  4. [Azure portal ですべてのプロパティを表示する] を選びます。 新しいタブが開き、Azure portal の Azure Machine Learning service に移動します。

  5. [MLflow tracking URI] (MLflow 追跡 URI) の値をコピーします。

Screenshot of overview page in Azure portal showing the MLflow tracking URI.

  1. ローカル ノートブックで次のコードを使って、Azure Machine Learning ワークスペースを指すように MLflow を構成し、それをワークスペース追跡 URI に設定します。

    mlflow.set_tracking_uri = "MLFLOW-TRACKING-URI"

ヒント

ローカル デバイスで作業するときに追跡環境を設定する別の方法を確認してください。 たとえば、Azure Machine Learning SDK v2 for Python とワークスペース構成ファイルを使って、追跡 URI を設定することもできます。

モデルの結果を追跡し、それを Azure Machine Learning ワークスペースに格納するように MLflow を構成したら、ノートブックで実験できるようになります。