跳到主要内容

使用 MLflow 追踪服务器进行远程实验追踪

在本教程中，您将学习如何使用 MLflow Tracking Server 设置 MLflow Tracking 环境以进行团队开发。

利用 MLflow Tracking Server 进行远程实验跟踪有很多好处

  • 协作：多个用户可以将运行日志记录到同一端点，并查询其他用户记录的运行和模型。
  • 共享结果：跟踪服务器还提供一个 Tracking UI 端点，团队成员可以轻松浏览彼此的结果。
  • 集中访问：跟踪服务器可以作为元数据和工件远程访问的代理，从而更容易地保护和审计对数据的访问。

它是如何工作的？​

下图描述了使用带有 PostgreSQL 和 S3 的远程 MLflow Tracking Server 的架构

带有 PostgreSQL 和 S3 的 MLflow Tracking Server 的架构图

注意

您可以在工件存储和后端存储文档指南中找到支持的数据存储列表。

当您开始将运行记录到 MLflow Tracking Server 时，会发生以下情况

  • 第 1a 和 b 部分:

    • MLflow 客户端创建一个 RestStore 的实例，并发送 REST API 请求以记录 MLflow 实体
    • Tracking Server 创建一个 SQLAlchemyStore 的实例，并连接到远程主机以将跟踪信息插入数据库（即，指标、参数、标签等）

  • 第 1c 和 d 部分:

    • 客户端的检索请求从配置的 SQLAlchemyStore 表返回信息

  • 第 2a 和 b 部分:

    • 客户端使用 HttpArtifactRepository 将文件写入 MLflow Tracking Server 来进行工件的日志记录事件
    • 然后，跟踪服务器使用假定的角色身份验证将这些文件写入配置的对象存储位置

  • 第 2c 和 d 部分:

    • 从配置的后端存储中检索用户请求的工件是通过与服务器启动时配置的相同的授权身份验证完成的
    • 工件通过 HttpArtifactRepository 的接口通过跟踪服务器传递给最终用户

开始使用​

前言​

在实际的生产部署环境中，您将拥有多个远程主机来运行跟踪服务器和数据库，如上图所示。但是，为了本教程的目的，我们将仅使用一台机器，该机器具有在不同端口上运行的多个 Docker 容器，从而以更容易的评估教程设置来模拟远程环境。我们还将使用 MinIO，一种与 S3 兼容的对象存储，作为工件存储，以便您无需拥有 AWS 帐户即可运行本教程。

步骤 1 - 获取 MLflow 和其他依赖项​

MLflow 可在 PyPI 上获得。此外，访问带有 Python 的 PostgreSQL 和 S3 需要 pyscopg2 和 boto3。如果您尚未在系统上安装它们，则可以使用以下命令安装它们

pip install mlflow psycopg2 boto3

步骤 2 - 设置远程数据存储​

MLflow Tracking Server 可以与各种数据存储交互，以存储实验和运行数据以及工件。在本教程中，我们将使用 Docker Compose 启动两个容器，每个容器都模拟实际环境中的远程服务器。

  1. PostgreSQL 数据库作为后端存储。
  2. MinIO 服务器作为工件存储。

安装 docker 和 docker-compose​

注意

这些 docker 步骤仅用于教程目的。 MLflow 本身完全不依赖于 Docker。

按照官方说明安装 Docker 和 Docker Compose。然后，运行 docker --version 和 docker-compose --version 以确保它们已正确安装。

创建 compose.yaml​

创建一个名为 compose.yaml 的文件，其中包含以下内容

compose.yaml
version: "3.7"
services:
  # PostgreSQL database
  postgres:
    image: postgres:latest
    environment:
      POSTGRES_USER: user
      POSTGRES_PASSWORD: password
      POSTGRES_DB: mlflowdb
    ports:
      - 5432:5432
    volumes:
      - ./postgres-data:/var/lib/postgresql/data
  # MinIO server
  minio:
    image: minio/minio
    expose:
      - "9000"
    ports:
      - "9000:9000"
      # MinIO Console is available at https://:9001
      - "9001:9001"
    environment:
      MINIO_ROOT_USER: "minio_user"
      MINIO_ROOT_PASSWORD: "minio_password"
    healthcheck:
      test: timeout 5s bash -c ':> /dev/tcp/127.0.0.1/9000' || exit 1
      interval: 1s
      timeout: 10s
      retries: 5
    command: server /data --console-address ":9001"
  # Create a bucket named "bucket" if it doesn't exist
  minio-create-bucket:
    image: minio/mc
    depends_on:
      minio:
        condition: service_healthy
    entrypoint: >
      bash -c "
      mc alias set minio http://minio:9000 minio_user minio_password &&
      if ! mc ls minio/bucket; then
        mc mb minio/bucket
      else
        echo 'bucket already exists'
      fi
      "

启动容器​

从 compose.yaml 文件所在的同一目录运行以下命令以启动容器。这将启动后台 PostgreSQL 和 Minio 服务器的容器，并在 Minio 中创建一个名为“bucket”的新存储桶。

docker compose up -d

步骤 3 - 启动跟踪服务器​

注意

在实际环境中，您将拥有一个远程主机来运行跟踪服务器，但在本教程中，我们将仅使用我们的本地机器作为远程机器的模拟替代。

配置访问权限​

为了使跟踪服务器能够访问远程存储，需要使用必要的凭据对其进行配置。

export MLFLOW_S3_ENDPOINT_URL=https://:9000 # Replace this with remote storage endpoint e.g. s3://my-bucket in real use cases
export AWS_ACCESS_KEY_ID=minio_user
export AWS_SECRET_ACCESS_KEY=minio_password

您可以在 支持的存储中找到有关如何为其他存储配置凭据的说明。

启动跟踪服务器​

要指定后端存储和工件存储，您可以分别使用 --backend-store-uri 和 --artifacts-store-uri 选项。

mlflow server \
  --backend-store-uri postgresql://user:password@localhost:5432/mlflowdb \
  --artifacts-destination s3://bucket \
  --host 0.0.0.0 \
  --port 5000

在实际环境中，将 localhost 替换为数据库服务器的远程主机名或 IP 地址。

步骤 4：将日志记录到跟踪服务器​

跟踪服务器运行后，您可以通过将 MLflow Tracking URI 设置为跟踪服务器的 URI 来将运行日志记录到该服务器。或者，您可以使用 mlflow.set_tracking_uri() API 设置跟踪 URI。

export MLFLOW_TRACKING_URI=http://127.0.0.1:5000  # Replace with remote host name or IP address in an actual environment

然后像往常一样使用 MLflow 跟踪 API 运行您的代码。以下代码在糖尿病数据集上运行 scikit-learn RandomForest 模型的训练

import mlflow

from sklearn.model_selection import train_test_split
from sklearn.datasets import load_diabetes
from sklearn.ensemble import RandomForestRegressor

mlflow.autolog()

db = load_diabetes()
X_train, X_test, y_train, y_test = train_test_split(db.data, db.target)

# Create and train models.
rf = RandomForestRegressor(n_estimators=100, max_depth=6, max_features=3)
rf.fit(X_train, y_train)

# Use the model to make predictions on the test dataset.
predictions = rf.predict(X_test)

步骤 5：在跟踪 UI 中查看记录的运行​

我们的伪远程 MLflow Tracking Server 还在同一端点上托管 Tracking UI。在具有远程跟踪服务器的实际部署环境中，情况也是如此。您可以通过导航到 http://127.0.0.1:5000（在实际环境中替换为远程主机名或 IP 地址）在浏览器中访问 UI。

步骤 6：下载工件​

MLflow Tracking Server 还充当工件访问的代理主机。通过代理 URI（例如 models:/、mlflow-artifacts:/）启用工件访问，使用户无需管理直接访问的凭据或权限即可访问此位置。

import mlflow

model_id = "YOUR_MODEL_ID"  # You can find model ID in the Tracking UI

# Download artifact via the tracking server
mlflow_artifact_uri = f"models:/{model_id}"
local_path = mlflow.artifacts.download_artifacts(mlflow_artifact_uri)

# Load the model
model = mlflow.sklearn.load_model(local_path)

下一步是什么？​

现在您已经学习了如何设置 MLflow Tracking Server 以进行远程实验跟踪！您可以探索更多高级主题

  • 跟踪服务器的其他配置：默认情况下，MLflow Tracking Server 同时提供后端存储和工件存储。您还可以将跟踪服务器配置为仅提供后端存储或工件存储，以处理不同的用例，例如大流量或安全问题。有关如何为这些用例自定义跟踪服务器的信息，请参见其他用例。
  • 保护跟踪服务器：--host 选项在所有接口上公开服务。如果在生产环境中运行服务器，我们建议不要广泛公开内置服务器（因为它未经身份验证和加密）。请阅读 安全跟踪服务器，以了解在生产环境中保护跟踪服务器的最佳实践。