Azure Machine Learning için MLflow'u yapılandırma

Bu makalede, MLflow'u izleme, kayıt defterleri ve dağıtım için bir Azure Machine Learning çalışma alanına bağlanacak şekilde nasıl yapılandırabileceğiniz açıklanmaktadır.

Azure Machine Learning çalışma alanları MLflow ile uyumludur; bu da ek yapılandırma olmadan bir MLflow sunucusu gibi davranabilecekleri anlamına gelir. Her çalışma alanı, MLflow'un çalışma alanına bağlanmak için kullanabileceği bir MLflow izleme URI'sine sahiptir. Azure Machine Learning çalışma alanları zaten MLflow ile çalışacak şekilde yapılandırılmıştır, bu nedenle ek yapılandırma gerekmez.

Ancak Azure Machine Learning dışında çalışıyorsanız (yerel makineniz, Azure Synapse Analytics veya Azure Databricks gibi), MLflow'un çalışma alanını işaret eden şekilde yapılandırılması gerekir.

Önkoşullar

Bu öğreticiyi izlemek için aşağıdaki önkoşullara ihtiyacınız vardır:

• MLflow SDK paketini mlflow ve MLflow için Azure Machine Learning azureml-mlflow eklentisini yükleyin:

  pip install mlflow azureml-mlflow
  

  İpucu

  SQL depolama, sunucu, kullanıcı arabirimi veya veri bilimi bağımlılıkları olmadan basit bir MLflow paketi olan paketini kullanabilirsiniz mlflow-skinny . mlflow-skinny dağıtımlar dahil olmak üzere tüm özellik paketini içeri aktarmadan öncelikle MLflow izleme ve günlüğe kaydetme özelliklerine ihtiyaç duyan kullanıcılar için önerilir.

• Azure Machine Learning çalışma alanı. Çalışma alanı oluşturmak için Makine öğrenmesi kaynakları oluşturma öğreticisine bakın. Çalışma alanınızda MLflow işlemlerinizi gerçekleştirmek için ihtiyacınız olan erişim izinlerini gözden geçirin.

• Uzaktan izleme gerçekleştirirseniz (yani Azure Machine Learning dışında çalışan denemeleri izleyin), MLflow'ı Azure Machine Learning çalışma alanınızın izleme URI'sine işaret eden şekilde yapılandırın. MLflow'u çalışma alanınıza bağlama hakkında daha fazla bilgi için bkz . Azure Machine Learning için MLflow'u yapılandırma.

MLflow izleme URI'sini yapılandırma

MLflow'u bir Azure Machine Learning çalışma alanına bağlamak için çalışma alanının izleme URI'sine ihtiyacınız vardır. Her çalışma alanının kendi izleme URI'sine ve protokolüne azureml://sahiptir.

1. Çalışma alanınız için izleme URI'sini alın:

   • Azure CLI
   • Python
   • Stüdyo
   • El ile

   ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

   1. Oturum açın ve çalışma alanınızı yapılandırın:

      az account set --subscription <subscription>
      az configure --defaults workspace=<workspace> group=<resource-group> location=<location> 
      

   2. şu komutu kullanarak izleme URI'sini az ml workspace alabilirsiniz:

      az ml workspace show --query mlflow_tracking_uri
      

2. İzleme URI'sini yapılandırma:

   • MLflow SDK'sını kullanma
   • Ortam değişkenlerini kullanma

   Ardından yöntemi set_tracking_uri() MLflow izleme URI'sini bu URI'ye işaret eder.

   import mlflow
   
   mlflow.set_tracking_uri(mlflow_tracking_uri)
   

   İpucu

   Azure Databricks kümesi, Azure Synapse Analytics kümesi veya benzeri paylaşılan ortamlar üzerinde çalışırken, MLflow izleme URI'sini oturum başına yapmak yerine kümede çalışan tüm oturumlar için Azure Machine Learning'e işaret edecek şekilde otomatik olarak yapılandırmak üzere ortam değişkenini MLFLOW_TRACKING_URI küme düzeyinde ayarlamak yararlı olur.

Kimlik doğrulamasını yapılandırma

İzleme ayarlandıktan sonra, ilişkili çalışma alanı için kimlik doğrulama yöntemini de yapılandırmanız gerekir. Varsayılan olarak, MLflow için Azure Machine Learning eklentisi kimlik bilgilerini isteyecek şekilde varsayılan tarayıcıyı açarak etkileşimli kimlik doğrulaması gerçekleştirir.

MLflow için Azure Machine Learning eklentisi, eklentisi azureml-mlflowiçin bir bağımlılık olarak yüklenen paketi azure-identityaracılığıyla çeşitli kimlik doğrulama mekanizmalarını destekler. Aşağıdaki kimlik doğrulama yöntemleri, biri başarılı olana kadar tek tek deneniyor:

1. Ortam: Ortam değişkenleri aracılığıyla belirtilen hesap bilgilerini okur ve kimlik doğrulaması için kullanır.
2. Yönetilen Kimlik: Uygulama, Yönetilen Kimlik etkin bir Azure konağına dağıtılırsa, uygulamayla kimlik doğrulaması yapar.
3. Azure CLI: Bir kullanıcı Azure CLI az login komutuyla oturum açarsa, o kullanıcı olarak kimlik doğrulaması yapar.
4. Azure PowerShell: Bir kullanıcı Azure PowerShell'in Connect-AzAccount komutuyla oturum açarsa, o kullanıcı olarak kimlik doğrulaması yapar.
5. Etkileşimli tarayıcı: Kullanıcının kimliğini varsayılan tarayıcı üzerinden etkileşimli olarak doğrular.

Oturuma bağlı bir kullanıcının bulunduğu etkileşimli işler için Etkileşimli Kimlik Doğrulaması'na güvenebilirsiniz ve bu nedenle başka işlem yapmanız gerekmez.

Katılımsız yürütmenin gerekli olduğu senaryolarda, Azure Machine Learning ile iletişim kurmak için bir hizmet sorumlusu yapılandırmanız gerekir.

import os

os.environ["AZURE_TENANT_ID"] = "<AZURE_TENANT_ID>"
os.environ["AZURE_CLIENT_ID"] = "<AZURE_CLIENT_ID>"
os.environ["AZURE_CLIENT_SECRET"] = "<AZURE_CLIENT_SECRET>"

export AZURE_TENANT_ID="<AZURE_TENANT_ID>"
export AZURE_CLIENT_ID="<AZURE_CLIENT_ID>"
export AZURE_CLIENT_SECRET="<AZURE_CLIENT_SECRET>"

Gizli dizi yerine sertifika kullanmayı tercih ederseniz, ortam değişkenlerini AZURE_CLIENT_CERTIFICATE_PATH bir PEM veya PKCS12 sertifika dosyasının yoluna (özel anahtar dahil) ve AZURE_CLIENT_CERTIFICATE_PASSWORD varsa sertifika dosyasının parolasıyla yapılandırabilirsiniz.

Yetkilendirme ve izin düzeylerini yapılandırma

AzureML Veri Bilimci veya Katkıda Bulunan gibi bazı varsayılan roller, Azure Machine Learning çalışma alanında MLflow işlemlerini gerçekleştirmek için zaten yapılandırılmıştır. Özel bir rol kullanıyorsanız aşağıdaki izinlere ihtiyacınız vardır:

• MLflow izlemeyi kullanmak için:

  • Microsoft.MachineLearningServices/workspaces/experiments/*
  • Microsoft.MachineLearningServices/workspaces/jobs/*

• MLflow model kayıt defterini kullanmak için:

  • Microsoft.MachineLearningServices/workspaces/models/*/*

Oluşturduğunuz hizmet sorumlusuna veya kullanıcı hesabına çalışma alanınıza nasıl erişim vereceğinizi öğrenmek için bkz . Erişim verme.

Kimlik doğrulaması sorunlarını giderme

MLflow, veya mlflow.start_run()gibi mlflow.set_experiment() hizmetle etkileşim kuran ilk işlemde Azure Machine Learning'de kimlik doğrulaması yapmaya çalışır. İşlem sırasında sorunlar veya beklenmeyen kimlik doğrulama istemleri bulursanız, hata hakkında daha fazla ayrıntı almak için günlük düzeyini artırabilirsiniz:

import logging

logging.getLogger("azure").setLevel(logging.DEBUG)

Deneme adını ayarlama (isteğe bağlı)

Tüm MLflow çalıştırmaları etkin denemede günlüğe kaydedilir. Varsayılan olarak, çalıştırmalar sizin için otomatik olarak oluşturulan adlı Default bir denemede günlüğe kaydedilir. İzlemenin gerçekleştiği denemeyi yapılandırabilirsiniz.

experiment_name = 'experiment_with_mlflow'
mlflow.set_experiment(experiment_name)

export MLFLOW_EXPERIMENT_NAME="experiment_with_mlflow"

Abonelik dışı Azure Bulutları desteği

MLflow için Azure Machine Learning eklentisi varsayılan olarak genel Azure bulutuyla çalışacak şekilde yapılandırılır. Ancak, ortam değişkenini AZUREML_CURRENT_CLOUDayarlayarak kullandığınız Azure bulutunu yapılandırabilirsiniz.

import os

os.environ["AZUREML_CURRENT_CLOUD"] = "AzureChinaCloud"

export AZUREML_CURRENT_CLOUD="AzureChinaCloud"

Kullandığınız bulutu aşağıdaki Azure CLI komutuyla tanımlayabilirsiniz:

az cloud list

Geçerli bulutta değeri IsActive olarak Trueayarlanmıştır.

Sonraki adımlar

Artık ortamınız Azure Machine Learning'deki çalışma alanınıza bağlı olduğuna göre artık ortamınızla çalışmaya başlayabilirsiniz.

• MLflow ile ML denemelerini ve modellerini izleme
• MLflow ile Azure Machine Learning'de model kayıt defterlerini yönetme
• MLflow Projeleri ile Eğit (Önizleme)
• MLflow modellerini dağıtma yönergeleri