Azure Machine Learning için MLflow'u yapılandırma

Bu makalede, MLflow'u izleme, kayıt defteri yönetimi ve dağıtım için bir Azure Machine Learning çalışma alanına bağlanacak şekilde yapılandırma açıklanmaktadır.

Azure Machine Learning çalışma alanları MLflow ile uyumludur; bu da ek yapılandırma olmadan MLflow sunucuları 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, MLflow'ı çalışma alanına işaret eden şekilde yapılandırmanız gerekir. Etkilenen ortamlar arasında yerel makineniz, Azure Synapse Analytics ve Azure Databricks bulunur.

Önkoşullar

• MLflow SDK mlflow paketi ve MLflow için Azure Machine Learning azureml-mlflow eklentisi. Bu yazılımı yüklemek için aşağıdaki komutu kullanabilirsiniz:

  pip install mlflow azureml-mlflow
  

  İpucu

  mlflowyerine kullanmayı mlflow-skinnygöz önünde bulundurun. Bu paket, SQL depolama, sunucu, kullanıcı arabirimi veya veri bilimi bağımlılıkları içermeyen basit bir MLflow paketidir. Öncelikle MLflow izleme ve günlüğe kaydetme özelliklerine ihtiyacı olan ancak dağıtımlar da dahil olmak üzere tüm özellik paketini içeri aktarmak istemeyen kullanıcılar için önerilir.

• Azure Machine Learning çalışma alanı. Çalışma alanı oluşturmak için bkz . Başlamak için ihtiyacınız olan kaynakları oluşturma.

• Çalışma alanınızda MLflow işlemleri gerçekleştirmek için erişim izinleri. İşlemlerin ve gerekli izinlerin listesi için bkz . MLflow işlemleri.

MLflow izleme URI'sini yapılandırma

Uzaktan izleme yapmak veya Azure Machine Learning dışında çalışan denemeleri izlemek için MLflow'ı Azure Machine Learning çalışma alanınızın izleme URI'sine işaret eden şekilde yapılandırın.

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

1. Çalışma alanınız için izleme URI'sini alın:

   • Azure CLI
   • Python SDK'sı
   • Stüdyo
   • El ile

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

   1. Oturum açın ve çalışma alanınızı yapılandırın:

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

   2. komutunu kullanarak izleme URI'sini az ml workspace alın:

      az ml workspace show --query mlflow_tracking_uri
      

2. İzleme URI'sini yapılandırın:

   • MLflow SDK'sı
   • Ortam değişkenleri

   set_tracking_uri() MLflow izleme URI'sini çalışma alanınızın izleme URI'sine ayarlamak için yöntemini kullanın.

   import mlflow
   
   mlflow.set_tracking_uri(mlflow_tracking_uri)
   

   İpucu

   Bazı senaryolar, Azure Databricks kümesi veya Azure Synapse Analytics kümesi gibi paylaşılan bir ortamda çalışmayı içerir. Bu gibi durumlarda ortam değişkenini MLFLOW_TRACKING_URI her oturum yerine küme düzeyinde ayarlamak yararlı olur. Değişkeni küme düzeyinde ayarlamak, MLflow izleme URI'sini kümedeki tüm oturumlar için Azure Machine Learning'e işaret edecek şekilde otomatik olarak yapılandırılır.

Kimlik doğrulamasını yapılandırma

İzlemeyi ayarladıktan 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. Ancak eklenti diğer birkaç kimlik doğrulama mekanizmasını da destekler. Paket azure-identity bu desteği sağlar. Bu paket, eklentinin azureml-mlflow bağımlılığı olarak yüklenir.

Kimlik doğrulama işlemi, biri başarılı olana kadar aşağıdaki yöntemleri birer birer dener:

1. Ortam: Ortam değişkenleri aracılığıyla belirtilen hesap bilgileri okunur ve kimlik doğrulaması için kullanılır.
2. Yönetilen kimlik: Uygulama, yönetilen kimlik etkinleştirilmiş bir Azure konağına dağıtılırsa, yönetilen kimlik kimlik doğrulaması için kullanılır.
3. Azure CLI: Oturum açmak için Azure CLI az login komutunu kullanırsanız kimlik bilgileriniz kimlik doğrulaması için kullanılır.
4. Azure PowerShell: Oturum açmak için Azure PowerShell Connect-AzAccount komutunu kullanırsanız kimlik bilgileriniz kimlik doğrulaması için kullanılır.
5. Etkileşimli tarayıcı: Kullanıcının kimliği varsayılan tarayıcı üzerinden etkileşimli olarak doğrulanır.

Oturuma bağlı bir kullanıcının bulunduğu etkileşimli işler için etkileşimli kimlik doğrulamasına güvenebilirsiniz. Başka bir eylem gerekli değildir.

Katılımsız yürütme gerektiren senaryolar için Azure Machine Learning ile iletişim kurmak için bir hizmet sorumlusu yapılandırmanız gerekir. Hizmet sorumlusu oluşturma hakkında bilgi için bkz . Hizmet sorumlusu yapılandırma.

Aşağıdaki kodda hizmet sorumlunuzun kiracı kimliğini, istemci kimliğini ve istemci gizli dizisini kullanın:

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 ediyorsanız, aşağıdaki ortam değişkenlerini yapılandırabilirsiniz:

• Gizlilik Artırılmış Posta (PEM) veya Ortak Anahtar Şifreleme Standartları 12 (PKCS #12) biçiminde sertifika ve özel anahtar çiftini içeren bir dosyanın yoluna ayarlayın AZURE_CLIENT_CERTIFICATE_PATH .
• Bir parola kullanıyorsa, sertifika dosyasının parolası olarak ayarlayın AZURE_CLIENT_CERTIFICATE_PASSWORD .

Yetkilendirme ve izin düzeylerini yapılandırma

AzureML Veri Bilimci ve 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 bir hizmet sorumlusuna veya kullanıcı hesabınıza çalışma alanınıza nasıl erişim verildiğini görmek 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 sorunlarla veya beklenmeyen kimlik doğrulaması istemleriyle karşılaşırsanız 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. İzleme için kullanılan denemeyi yapılandırabilirsiniz.

experiment_name = "experiment_with_mlflow"
mlflow.set_experiment(experiment_name)

export MLFLOW_EXPERIMENT_NAME="experiment_with_mlflow"

Aboneliği olmayan bir Azure bulutu için desteği yapılandırma

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

İlgili içerik

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

• MLflow ile denemeleri ve modelleri izleme
• MLflow ile Azure Machine Learning'de model kayıt defterini yönetme
• Azure Machine Learning'de MLflow Projeleri ile eğitin (önizleme)
• MLflow modellerini dağıtma yönergeleri